□夏　暉　何　煜　楊　岑

［電子科技大學(xué)　成都　611731］

強(qiáng)制減排試點(diǎn)省市能源碳排放驅(qū)動(dòng)因素分析

□夏暉何煜楊岑

［電子科技大學(xué)成都611731］

根據(jù)全國(guó)及北京市、天津市、上海市、廣東省、湖北省和重慶市六個(gè)強(qiáng)制碳減排試點(diǎn)省市的碳排放量數(shù)據(jù)，采用對(duì)數(shù)平均權(quán)重Divisia分解法（LMDI），從能源結(jié)構(gòu)、能源效率、經(jīng)濟(jì)發(fā)展三方面分析能源碳排放的驅(qū)動(dòng)因素，發(fā)現(xiàn)能源結(jié)構(gòu)對(duì)碳排放的影響相對(duì)較小，而且，在北京、天津和上海市，三大驅(qū)動(dòng)因素對(duì)人均碳排放的貢獻(xiàn)值明顯大于在湖北省、廣東省和重慶市的貢獻(xiàn)值。進(jìn)一步，采用多元線性回歸模型和環(huán)比增長(zhǎng)率數(shù)據(jù)，實(shí)證檢驗(yàn)全國(guó)及六個(gè)試點(diǎn)省市三大驅(qū)動(dòng)因素的變化對(duì)人均碳排放的影響。研究結(jié)果顯示：從全國(guó)來(lái)看，能源結(jié)構(gòu)變化對(duì)碳排放量影響不顯著，而碳排放對(duì)能源效率的變化比對(duì)經(jīng)濟(jì)發(fā)展更為敏感。具體到各省市數(shù)據(jù)，湖北省三大驅(qū)動(dòng)因素變化對(duì)碳排放的影響均不顯著，而其他省市碳排放受各驅(qū)動(dòng)因素的影響各具特點(diǎn)。研究結(jié)論為政府在各地區(qū)制定合理的碳減排政策提供了參考。

碳排放；因素分解；驅(qū)動(dòng)因素；LMDI

引言

根據(jù)IEA［1］的統(tǒng)計(jì)數(shù)據(jù)，2007年中國(guó)化石燃料排放的CO2已超越美國(guó)，成為世界第一大CO2排放國(guó)。隨著經(jīng)濟(jì)的持續(xù)發(fā)展，煤炭化石燃料的能源消費(fèi)帶來(lái)碳排放量快速增長(zhǎng)，中國(guó)必然面臨著非?，F(xiàn)實(shí)、嚴(yán)峻的挑戰(zhàn)。目前，國(guó)家發(fā)展改革委員會(huì)發(fā)布《關(guān)于開(kāi)展碳排放權(quán)交易試點(diǎn)工作的通知》，該通知中將北京、天津、上海、重慶、武漢、廣州、深圳七省市作為總量控制碳排放權(quán)交易試點(diǎn)。2013年6月18日深圳市率先進(jìn)行碳排放交易試點(diǎn)，首批納入強(qiáng)制減排的行業(yè)涉及電力、鋼鐵、石化、水泥等高污染高能耗行業(yè)。由于試點(diǎn)省市分布在我國(guó)的東西南北中，地理位置和經(jīng)濟(jì)發(fā)展等因素各不相同，我們需要分析這些地區(qū)能源消費(fèi)導(dǎo)致的碳排放量增加的驅(qū)動(dòng)因素，以便制定合理有效的碳減排政策，促進(jìn)產(chǎn)業(yè)技術(shù)升級(jí)，提高能源效率，緩解經(jīng)濟(jì)發(fā)展帶來(lái)的環(huán)境問(wèn)題。

一、相關(guān)研究評(píng)述

為了分析CO2排放量增長(zhǎng)的驅(qū)動(dòng)因素，日本學(xué)者Kaya提出了Kaya恒等式，通過(guò)因式分解的方法，把影響CO2排放的因素分解為經(jīng)濟(jì)發(fā)展水平、能源利用效率、人口和單位能源消費(fèi)等驅(qū)動(dòng)因素［2］。Johan等對(duì)Kaya恒等式進(jìn)行了擴(kuò)展，采用Shapley分解技術(shù)進(jìn)行分解，結(jié)果顯示：與傳統(tǒng)的分解結(jié)果相比，能源碳排放強(qiáng)度的利用和經(jīng)濟(jì)的脫碳增長(zhǎng)對(duì)碳排放更具影響［3］。此后，眾多學(xué)者拓展該因素分解法對(duì)碳排放的驅(qū)動(dòng)因素展開(kāi)了廣泛研究。

學(xué)者們有從國(guó)家和地區(qū)層面進(jìn)行研究的。Fan等分析了中國(guó)1980～2003年一次能源和終端能源碳排放強(qiáng)度之間的變化關(guān)系，結(jié)果發(fā)現(xiàn)能源強(qiáng)度的減少導(dǎo)致碳排放強(qiáng)度的下降［4］。徐國(guó)泉等分析了中國(guó)人均碳排放的影響因素，發(fā)現(xiàn)在1990～2004年間，經(jīng)濟(jì)發(fā)展對(duì)拉動(dòng)中國(guó)人均碳排放的正向驅(qū)動(dòng)作用呈指數(shù)增長(zhǎng)，而能源效率和能源結(jié)構(gòu)兩個(gè)因素對(duì)中國(guó)人均碳排放起到抑制的負(fù)向驅(qū)動(dòng)作用［5］。王鋒等研究了1995～2007年間中國(guó)CO2排放量增長(zhǎng)的驅(qū)動(dòng)因素，指出人均GDP增長(zhǎng)是CO2排放量增長(zhǎng)的最大驅(qū)動(dòng)因素［6］。趙欣等分析了江蘇省人均碳排放的影響因素，其結(jié)果顯示，在1996～2007年間經(jīng)濟(jì)規(guī)模效應(yīng)對(duì)人均碳排放起到的是正向的作用，且是最為主要的因素，而技術(shù)進(jìn)步與能耗結(jié)構(gòu)的增長(zhǎng)會(huì)促使人均碳排放的減少，產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整對(duì)人均碳排放的作用較弱［7］。牛叔文等采用面板數(shù)據(jù)分析亞太八國(guó)1971～2005年間能耗和GDP對(duì)碳排放影響，研究顯示發(fā)達(dá)國(guó)家在碳排放基數(shù)和能源利用率都要高于發(fā)展中國(guó)家［8］。黃芳等采用對(duì)數(shù)平均權(quán)重Divisia指數(shù)LMDI方法對(duì)我國(guó)1996～2009年碳強(qiáng)度進(jìn)行分析，結(jié)果顯示碳強(qiáng)度總體下降，其中能源強(qiáng)度效用貢獻(xiàn)最大［9］。

研究中還有針對(duì)特定部門(mén)和產(chǎn)業(yè)的。Ang等運(yùn)用LMDI分解法，對(duì)中國(guó)工業(yè)部門(mén)排放的CO2做了研究，結(jié)果表明1985～1990年總產(chǎn)出的變化對(duì)CO2排放起到正向效應(yīng)，而對(duì)能源強(qiáng)度起到抑制作用［10］。McCollum和Yang［11］利用Kaya恒等式分析了美國(guó)交通運(yùn)輸部門(mén)溫室氣體減排目標(biāo)實(shí)現(xiàn)的可能性，并給出相應(yīng)政策建議。Min Zhao、Lirong Tan等［12］利用LMDI方法研究上海工業(yè)部門(mén)1996～2007年碳排放影響因素，結(jié)果發(fā)現(xiàn)促進(jìn)碳排放增長(zhǎng)的主要因素是經(jīng)濟(jì)產(chǎn)出，而能源強(qiáng)度、產(chǎn)業(yè)和能源的結(jié)構(gòu)的調(diào)整抑制碳排放增長(zhǎng)。Sheinbaum C等采用LMDI分解法研究墨西哥鋼鐵工業(yè)部門(mén)1970～2006年間能耗和碳排放，結(jié)果顯示經(jīng)濟(jì)活動(dòng)帶動(dòng)能耗增長(zhǎng)227%而不是實(shí)際的133%，結(jié)構(gòu)和能源效用使得能耗降低5%和90%［13］。趙志耘等研究了我國(guó)2000～2009年生產(chǎn)部門(mén)、居民生活部門(mén)的化石能源消費(fèi)量以及水泥生產(chǎn)量碳排放量，結(jié)果表明我國(guó)已經(jīng)跨越了碳排放強(qiáng)度和人均碳排放高峰階段［14］。王棟等采用LMDI方法，建立中國(guó)產(chǎn)業(yè)CO2變動(dòng)的結(jié)構(gòu)分解模型，分析1997～2007年間CO2排放變動(dòng)影響因素，結(jié)果表明CO2排放增加的主要因素是最終需求總量變化，而CO2減排的主要影響因素是能耗強(qiáng)度［15］。馬越越等研究了1991～2010年我國(guó)物流業(yè)的碳排放的因素，結(jié)果發(fā)現(xiàn)應(yīng)大力推進(jìn)物流業(yè)科技水平和物流發(fā)展因素的提高［16］。范體軍等則從我國(guó)化學(xué)工業(yè)1996～2007年間CO2排放量變化的影響因素分析，結(jié)果發(fā)現(xiàn)影響CO2排放量的兩個(gè)最主要因素是經(jīng)濟(jì)活動(dòng)和能耗強(qiáng)度［17］。

Ang在綜合比較各種分解方法的基礎(chǔ)，對(duì)對(duì)數(shù)平均Divisia指數(shù)方法（LMDI）與算術(shù)平均Divisia指數(shù)方法（AMDI）進(jìn)行了比較，結(jié)果顯示：LMDI方法能消除殘差項(xiàng)，克服了其他方法分解后存在殘差項(xiàng)的缺點(diǎn)，使模型更具說(shuō)服力［18］。之后Ang等給出了一種利用分析限制（Analytical Limit）處理LMDI分解下出現(xiàn)零值的方法。當(dāng)然，對(duì)碳排放驅(qū)動(dòng)因素的研究還有其他一些方法［19］。Wu等建立了基于一種包括能源生產(chǎn)、轉(zhuǎn)換和消費(fèi)的新模型，比較了傳統(tǒng)意義上在能源需求側(cè)和能源供給側(cè)的驅(qū)動(dòng)因素貢獻(xiàn)度［20］。林伯強(qiáng)等引入城市化因素， 采用協(xié)整和蒙特卡洛模擬法，動(dòng)態(tài)地解釋和預(yù)測(cè)了中國(guó)CO2排放量的增長(zhǎng)情形，結(jié)果表明：人均GDP和能源強(qiáng)度是影響CO2排放最主要的因素，城市化的確對(duì)碳排放有重要影響［21］。

目前，中國(guó)準(zhǔn)備參考?xì)W盟實(shí)施總量控制碳排放權(quán)交易機(jī)制，由于各省市經(jīng)濟(jì)發(fā)展存在很大差異，經(jīng)濟(jì)結(jié)構(gòu)也不盡相同，制定合理的碳減排政策必須考慮地區(qū)間差異。上述國(guó)內(nèi)學(xué)者的研究要么采用全國(guó)數(shù)據(jù)，要么采用省市數(shù)據(jù)，沒(méi)能對(duì)各省市之間碳排放影響因素的異同進(jìn)行對(duì)比，尤其缺乏針對(duì)目前總量控制下的強(qiáng)制減排試點(diǎn)省市數(shù)據(jù)進(jìn)行分析。本文遵循Johan等的思路，采用改進(jìn)后的Kaya恒等式，根據(jù)北京市、天津市、上海市、重慶市、廣東省和湖北省六個(gè)試點(diǎn)省市（暫缺少深圳市碳排放的相關(guān)數(shù)據(jù)）2000～2010年的時(shí)間序列數(shù)據(jù)，對(duì)能源消費(fèi)碳排放的驅(qū)動(dòng)因素進(jìn)行深入分析，結(jié)果發(fā)現(xiàn)，能源結(jié)構(gòu)對(duì)碳排放的作用相對(duì)較小。另外，在京津滬地區(qū)，能源結(jié)構(gòu)、能源效率、經(jīng)濟(jì)發(fā)展三因素對(duì)人均碳排放的影響明顯大于鄂粵渝地區(qū)，其中能源效率因素對(duì)碳排放量的負(fù)向驅(qū)動(dòng)效應(yīng)在兩類地區(qū)的差異很大。

論文另一個(gè)創(chuàng)新之處在于，采用各變量的增長(zhǎng)率數(shù)據(jù)針對(duì)各驅(qū)動(dòng)因素變化的敏感性進(jìn)行實(shí)證分析。以往的因素分析更多關(guān)注各影響因素對(duì)碳排放量的貢獻(xiàn)值，這是歷史現(xiàn)狀分析。而影響因素的敏感性分析有助于發(fā)現(xiàn)各因素的減排潛力，幫助政府找出低成本進(jìn)行碳減排的途徑。研究結(jié)果顯示：天津市碳排放對(duì)能源結(jié)構(gòu)變化非常敏感，減少煤炭石油的使用可以極大降低人均碳排放。而廣東省由于能源效率的提高對(duì)碳排放的抑制作用相對(duì)較小，經(jīng)濟(jì)發(fā)展帶來(lái)的碳排放量增加的壓力是最大的，轉(zhuǎn)變經(jīng)濟(jì)發(fā)展模式是廣東省降低碳排放的有效途徑。

二、模型構(gòu)建與數(shù)據(jù)說(shuō)明

（一）碳排放因素分解

對(duì)數(shù)平均權(quán)重Divisia指數(shù)（LMDI）分解法對(duì)分解中的殘差問(wèn)題有較有效的處理，同時(shí)能夠很好地解決數(shù)據(jù)中零值與負(fù)數(shù)問(wèn)題。因此，我們選用LMDI方法，將總的碳排放分解為四種因素：

式（1）中，C代表總的碳排放量；Ci為消費(fèi)第i種能源的碳排放量；Ei為第i種能源的消費(fèi)量；E為一次能源的消費(fèi)量，所謂的一次能源就是在自然界中能直接獲取，不需要轉(zhuǎn)換的能源，例如煤炭、石油和天然氣等；Y為GDP；P為人口數(shù)量。

上式進(jìn)一步可以表示成：

式（2）中，A表示人均碳排放量，右邊S、F、I、R分別代表能源結(jié)構(gòu)因素Ei/E、能源強(qiáng)度因素Ci/Ei、能源效率因素E/Y、經(jīng)濟(jì)發(fā)展因素Y/P。以上兩個(gè)等式中的i = 1，2，3分別表示煤炭、石油和天然氣（由于煤炭、石油和天然氣三種能源在一次能源消費(fèi)中所占的比重之和在90%以上，故僅考慮這三種能源消費(fèi)）。根據(jù)徐國(guó)泉［5］、王鋒［6］等對(duì)碳排放驅(qū)動(dòng)因素的分解，各影響因素的含義如下：

4. 經(jīng)濟(jì)發(fā)展因素：人均GDP。

根據(jù)式（2），可以得到第t期相對(duì)于基期的人均碳排放量的變化：

式中，ΔAS、ΔAF、ΔAI、ΔAR分別為各因素對(duì)人均碳排放量變化的貢獻(xiàn)值，ΔArsd為分解余量。對(duì)上式，我們采用Ang等人提出的對(duì)數(shù)平均權(quán)重Divisia分解法進(jìn)行分解，得到各因素的分解結(jié)果如下：

（二）數(shù)據(jù)說(shuō)明

1.CO2排放量數(shù)據(jù)的計(jì)算

本文采用全國(guó)以及北京、天津、上海、湖北、重慶、廣東六省市碳排放數(shù)據(jù)。煤炭、石油和天然氣燃燒排放的CO2量等于各自的消費(fèi)量乘以各自排放系數(shù)，總的碳排放量等于上述三類能源碳排放量之和，如公式（6）所示：

其中，Cti為第t年第i種能源的碳排放量；Eti為第t年第i種能源的消費(fèi)量；αi為CO2排放系數(shù)。各類能源的碳排放系數(shù)見(jiàn)表1。

表1　各類能源的碳排放系數(shù)

2.其他變量數(shù)據(jù)來(lái)源

全國(guó)的煤炭、石油、天然氣能源的消費(fèi)量、人口數(shù)量和GDP均來(lái)自于2000-2010年的《中國(guó)統(tǒng)計(jì)年鑒》，并以2000年作為基期。其余省市的數(shù)據(jù)是從2000-2010年的《中國(guó)能源統(tǒng)計(jì)年鑒》和各省市的統(tǒng)計(jì)年鑒中整理、匯總、計(jì)算得到，同樣以2000年為基期。三類能源轉(zhuǎn)換為標(biāo)準(zhǔn)煤的系數(shù)參照國(guó)家發(fā)展和改革委員會(huì)能源研究所的研究報(bào)告，如表2所示。

表2　各種能源折標(biāo)準(zhǔn)煤參考系數(shù)（kg標(biāo)準(zhǔn)煤）

三、驅(qū)動(dòng)因素分析

根據(jù)式（6）的計(jì)算方法，可以計(jì)算出 2000～2010年中國(guó)三大能源（煤炭、石油、天然氣）的碳排放量及占總碳排放量的比重，如表3所示。

表3　2000～2010年中國(guó)三大能源碳排放量數(shù)據(jù) 單位：萬(wàn)噸

2000～2010年三大能源消費(fèi)的碳排放量都是逐年增加的，其中煤炭消費(fèi)一直是碳排放的主要來(lái)源，其碳排放量的平均比重在80%左右，且相對(duì)保持穩(wěn)定。石油消費(fèi)碳排放的平均比重為18.03%，從2000年的19.7%下降到2009年的16.094%，呈總體下滑趨勢(shì)。天然氣碳排放量的平均比重為2.032%，所占比重相對(duì)較小，但呈穩(wěn)步上升趨勢(shì)。

基于以上數(shù)據(jù)，再根據(jù)公式（4）可以計(jì)算出，能源結(jié)構(gòu)（S）、能源效率（I） 和經(jīng)濟(jì)發(fā)展（R）三個(gè)因素對(duì)人均碳排放變化量的貢獻(xiàn)值，結(jié)果見(jiàn)圖1。

圖1　2001～2010年三大因素的貢獻(xiàn)值

圖1中橫坐標(biāo)為年份，縱坐標(biāo)為三大因素對(duì)人均碳排放變化量的貢獻(xiàn)值。首先，我們從圖中能很明顯地看到經(jīng)濟(jì)發(fā)展對(duì)碳排放起著正向的驅(qū)動(dòng)作用，而能源效率則是碳排放量增加的負(fù)向驅(qū)動(dòng)因素。其次，經(jīng)濟(jì)發(fā)展和能源效率因素對(duì)人均碳排放量的影響都經(jīng)歷了2001～2003年下降，2004年之后緩慢上升的趨勢(shì)。最后，能源結(jié)構(gòu)對(duì)人均碳排放起著微弱的負(fù)向驅(qū)動(dòng)作用，反映出2001～2010年間我國(guó)以煤炭為主的能源模式還未發(fā)生根本性的改變。從表4中可以看到煤炭占總能源消費(fèi)中的比重在2001年（68.3%）到2010年（68.4%）間只有小幅變化。雖然天然氣消費(fèi)的比重由2001年的2.2%升到2010年的4.4%，但由于比重太小，對(duì)改善我國(guó)能源結(jié)構(gòu)的作用實(shí)在有限。

表4　全國(guó)能源結(jié)構(gòu)、能源效率、經(jīng)濟(jì)發(fā)展和人均碳排放量各年數(shù)據(jù)

為了分析碳排放的區(qū)域差異，我們繪制了6省市LMDI分解法后三因素對(duì)人均碳排放量變化的貢獻(xiàn)值趨勢(shì)圖，如圖2、3、4所示。

圖2　能源結(jié)構(gòu)因素的影響

圖3　能源效率因素的影響

圖4　經(jīng)濟(jì)發(fā)展因素的影響

為方便分析，我們將六省市劃分為兩類地區(qū)：I類地區(qū)為北京、天津和上海市，II類地區(qū)為湖北、廣東和重慶三省市。我們可以明顯看到由于絕對(duì)值較大，I類地區(qū)的能源結(jié)構(gòu)、能源效率和經(jīng)濟(jì)發(fā)展因素對(duì)人均碳排放量的影響均大于II地區(qū)。

進(jìn)一步，通過(guò)分別對(duì)能源結(jié)構(gòu)、能源效率和經(jīng)濟(jì)發(fā)展三大因素進(jìn)行分析，我們有以下發(fā)現(xiàn)：

1. II類地區(qū)能源結(jié)構(gòu)對(duì)碳排放的影響很小。在其他因素不變的情況下，改變各能源消費(fèi)比例將對(duì)人均碳排放的變化產(chǎn)生影響，這種影響可能為正，也可能為負(fù)。圖2顯示，I類地區(qū)的能源結(jié)構(gòu)顯然優(yōu)于II類地區(qū)，并且I類地區(qū)的能源結(jié)構(gòu)對(duì)碳排放起著負(fù)向抑制作用?？v觀六個(gè)試點(diǎn)省市，其中對(duì)碳排放的負(fù)向抑制最大的省市為上海市。II類地區(qū)能源結(jié)構(gòu)對(duì)碳排放的影響很小，其中重慶市的能源結(jié)構(gòu)對(duì)人均碳排放起著微弱的正向驅(qū)動(dòng)作用，其原因在于重慶市天然氣碳排放所占比重逐年下降，參見(jiàn)附表6。

2. 能源效率因素對(duì)碳排放量的負(fù)向驅(qū)動(dòng)效應(yīng)在兩類地區(qū)的差異很大。能源效率是指某種能源利用效率。在其他因素保持不變的情況下，單位GDP能耗的降低意味著能源效率的提高，將會(huì)有助于碳排放量的減少，因此能源效率對(duì)碳排放產(chǎn)生負(fù)向驅(qū)動(dòng)效應(yīng)。從圖3可以看出，I類地區(qū)能源效率對(duì)人均碳排放量的貢獻(xiàn)值（絕對(duì)值）呈現(xiàn)逐年遞增的趨勢(shì)，這說(shuō)明京津滬三市的能源利用效率相對(duì)較高，極大的減緩了人均碳排放的增長(zhǎng)。而II類地區(qū)粵鄂渝的能源效率的負(fù)效應(yīng)較低，最高也為-0.5，其中重慶市的能源效率的貢獻(xiàn)值最低（約-0.2）。說(shuō)明這三省市單位GDP能耗高，必須大力提高能源效率。

3. 經(jīng)濟(jì)發(fā)展對(duì)人均碳排放的貢獻(xiàn)值是三因素中平均最大的。一般而言，隨著經(jīng)濟(jì)水平的提高，企業(yè)用于生產(chǎn)的能源消費(fèi)量也會(huì)增長(zhǎng)，從而碳排放量也會(huì)相應(yīng)提高，成為各省市碳排放量增長(zhǎng)正向的驅(qū)動(dòng)因素。圖4顯示，I類地區(qū)（京津滬）經(jīng)濟(jì)發(fā)展對(duì)碳排放的貢獻(xiàn)值較大，其中天津的經(jīng)濟(jì)發(fā)展對(duì)碳排放的貢獻(xiàn)值最大，約為3.5。北京市經(jīng)濟(jì)發(fā)展對(duì)碳排放的正效應(yīng)最大約為1.5，近年呈現(xiàn)下降的趨勢(shì)，說(shuō)明北京未來(lái)的經(jīng)濟(jì)發(fā)展帶來(lái)的碳排放壓力開(kāi)始減弱，附表1顯示北京的人均碳排放近年來(lái)已呈現(xiàn)下降趨勢(shì)。對(duì)比圖2、3、4，經(jīng)濟(jì)發(fā)展對(duì)人均碳排放的貢獻(xiàn)值是三因素中平均最大的。

四、多元回歸分析

為進(jìn)一步分析能源結(jié)構(gòu)、能源效率和經(jīng)濟(jì)發(fā)展三因素的動(dòng)態(tài)變化趨勢(shì)，以及人均碳排放量的變化對(duì)各因素變化的敏感程度，我們采用各變量環(huán)比增長(zhǎng)率（變量本期相對(duì)上期的增長(zhǎng)率）數(shù)據(jù)，建立如下的多元線性回歸統(tǒng)計(jì)模型：

上式中S表示能源結(jié)構(gòu)因素，是煤炭和石油的碳排放量在總的碳排放量中比重。相對(duì)煤炭和石油，天然氣是較為清潔的能源，這里計(jì)算主要是高碳的化石能源消費(fèi)，故未包括天然氣。R表示經(jīng)濟(jì)發(fā)展因素，I表示能源效率因素，A表示人均碳排放量，ε為隨機(jī)誤差項(xiàng)。各變量均用環(huán)比增長(zhǎng)率表示，故回歸式中的系數(shù)類似于經(jīng)濟(jì)中彈性的概念，其絕對(duì)值大于1，表示人均碳排放量對(duì)該變量的變化較為敏感。另外，采用變量增長(zhǎng)率數(shù)據(jù)也消除了各因素的量綱差異。我們采用EVIEWS6.0分別對(duì)全國(guó)、北京、天津、上海、湖北、廣東和重慶市2000～2010年相關(guān)數(shù)據(jù)進(jìn)行回歸分析，結(jié)果見(jiàn)表5。

表5　回歸分析結(jié)果表

表5顯示，從全國(guó)范圍來(lái)看，能源結(jié)構(gòu)變化對(duì)碳排放的影響不顯著，這主要是因?yàn)槊禾俊⑹拖M(fèi)占我國(guó)能源消費(fèi)的比重過(guò)大，約占90%（參見(jiàn)表4），且改變很小。另外，人均碳排放量的增長(zhǎng)對(duì)能源效率因素I的敏感性（1.182）超過(guò)了經(jīng)濟(jì)發(fā)展因素R（0.975），說(shuō)明經(jīng)濟(jì)發(fā)展雖然帶來(lái)了碳排放量的增加，但通過(guò)轉(zhuǎn)變經(jīng)濟(jì)發(fā)展方式、提高能源效率可以保證減排目標(biāo)的實(shí)現(xiàn)。

具體到各省市三大影響因素分析，湖北省人均碳排放對(duì)能源結(jié)構(gòu)、能源效率和經(jīng)濟(jì)發(fā)展的變化均不顯著，其他省市人均碳排放對(duì)三大因素變化的反映各具特點(diǎn)。

在能源結(jié)構(gòu)因素S方面，除天津和重慶市外，其他省市的數(shù)據(jù)都不顯著。煤炭、石油在我國(guó)能源消費(fèi)中的比重長(zhǎng)期穩(wěn)定在90%左右是造成上述結(jié)果的原因。需要重點(diǎn)關(guān)注天津市的數(shù)據(jù)，其能源結(jié)構(gòu)的系數(shù)很大，達(dá)到226.959，這意味著天津市減少煤炭和石油的使用1%，其人均碳排放量會(huì)有大約227%的降幅。從附表2中可以看出，天津市煤炭和石油的比重很高，幾乎占到能源消費(fèi)的99%，故天津市應(yīng)大力度調(diào)整能源結(jié)構(gòu)，鼓勵(lì)針對(duì)包括水電、核電、風(fēng)電、太陽(yáng)能發(fā)電等清潔能源及非化石能源的投資，降低煤炭、石油在能源消費(fèi)中的比重。

在能源效率因素I方面，北京市、上海市、重慶市和廣東省四省市能源效率的變化對(duì)人均碳排放的增長(zhǎng)都是顯著的，且較為敏感，回歸系數(shù)均大于1。能源效率的回歸系數(shù)大于1，意味著單位GDP能耗的降低會(huì)導(dǎo)致人均碳排放減少得更多。而我國(guó)能源效率普遍較低，未來(lái)提高能源效率的空間很大。各省市能源效率回歸系數(shù)中，重慶和北京的較大，分別為1.29和1.20，這兩市人均碳排放對(duì)能源效率的變化較為敏感，應(yīng)從提高能源效率著手，降低人均碳排放。

在經(jīng)濟(jì)發(fā)展因素R方面，北京、廣東、重慶市和上海市，經(jīng)濟(jì)發(fā)展對(duì)人均碳排放增長(zhǎng)有顯著影響，其中京粵渝較為敏感（系數(shù)大于1），而上海市較為不敏感（0.936）。經(jīng)濟(jì)發(fā)展因素對(duì)北京、廣東和重慶三省市的人均碳排放影響較大。以北京市為例，其經(jīng)濟(jì)發(fā)展增長(zhǎng)1%，人均碳排放會(huì)增加約1.14%。而上海市經(jīng)濟(jì)發(fā)展帶來(lái)的碳排放壓力相對(duì)較小，其經(jīng)濟(jì)發(fā)展增長(zhǎng)1%，人均碳排放只增加約0.94%，低于全國(guó)0.975%的平均水平，說(shuō)明上海市經(jīng)濟(jì)發(fā)展模式較為合理，其經(jīng)濟(jì)發(fā)展的增長(zhǎng)帶來(lái)的人均碳排放的增長(zhǎng)較小。

綜合能源效率因素和經(jīng)濟(jì)發(fā)展因素，所有省市中，只有廣東省的人均碳排放對(duì)經(jīng)濟(jì)發(fā)展的敏感性（1.128）超過(guò)了能源效率（1.044），說(shuō)明經(jīng)濟(jì)發(fā)展帶來(lái)的碳排放量的增加較大，而提高能源效率對(duì)碳排放的抑制作用較小，故廣東省未來(lái)的碳排放壓力較大。重慶市人均碳排放對(duì)經(jīng)濟(jì)發(fā)展的敏感性較?。?.088），而對(duì)能源效率變化的敏感性較大（1.291），故重慶市未來(lái)碳減排潛力巨大，可以通過(guò)提高能源效率，抵消經(jīng)濟(jì)發(fā)展所帶來(lái)的碳增量，實(shí)現(xiàn)減排目標(biāo)。

五、結(jié)論及建議

本研究基于煤炭、石油、天然氣能源消費(fèi)量以及GDP和人口的數(shù)據(jù)，較全面地測(cè)算了2000～2010年全國(guó)及六個(gè)強(qiáng)制碳減排試點(diǎn)省市的人均碳排放量的變化情況，并借助對(duì)數(shù)平均權(quán)重迪氏指數(shù)（LMDI）分解模型，考察樣本期間能源結(jié)構(gòu)、能源效率和經(jīng)濟(jì)發(fā)展三因素對(duì)人均碳排放量變化的影響。研究結(jié)果表明：（1）經(jīng)濟(jì)發(fā)展是人均碳排放量增長(zhǎng)的正向驅(qū)動(dòng)因素，而能源效率是負(fù)向驅(qū)動(dòng)因素，能源結(jié)構(gòu)對(duì)碳排放的作用相對(duì)較小，且I類地區(qū)京津滬的三大驅(qū)動(dòng)因素對(duì)人均碳排放的影響明顯大于在II類地區(qū)鄂粵渝的影響；（2）II類地區(qū)能源結(jié)構(gòu)對(duì)碳排放的影響很小，能源效率因素對(duì)碳排放量的負(fù)向驅(qū)動(dòng)效應(yīng)在兩類地區(qū)的差異很大，經(jīng)濟(jì)發(fā)展對(duì)人均碳排放的貢獻(xiàn)值是三因素中平均最大的；進(jìn)一步，通過(guò)采用多元線性回歸模型和環(huán)比增長(zhǎng)率數(shù)據(jù)對(duì)各變量的敏感性進(jìn)行實(shí)證分析。研究結(jié)果表明：（3）從全國(guó)范圍來(lái)看，能源結(jié)構(gòu)因素變化對(duì)人均碳排放的影響不顯著。相對(duì)經(jīng)濟(jì)發(fā)展因素而言，碳排放的變化對(duì)能源效率的變化更為敏感；（4）湖北省三大因素對(duì)人均碳排放的影響均不顯著，而天津市的人均碳排放對(duì)能源結(jié)構(gòu)因素的變化非常敏感，廣東省未來(lái)碳減排壓力最大，而重慶市的減排潛力最大。

我國(guó)正在試點(diǎn)實(shí)施總量控制碳排放權(quán)交易的減排制度，本研究所得結(jié)論對(duì)政府實(shí)施區(qū)域有差別的碳減排政策提供了數(shù)據(jù)參考和啟示，包括以下幾個(gè)方面。

1. 總體上看，能源結(jié)構(gòu)因素對(duì)人均碳排放的驅(qū)動(dòng)作用目前還很小，影響也不顯著。煤炭、石油等高碳排放能源長(zhǎng)期在能源消耗中占據(jù)約90%，這種極不合理的能源結(jié)構(gòu)是未來(lái)減排非常大的障礙，但從另一方面，也為未來(lái)的能源結(jié)構(gòu)調(diào)整留下了很大的空間，這需要能源科技創(chuàng)新、大力發(fā)展清潔能源來(lái)完成這種能源結(jié)構(gòu)調(diào)整。同時(shí)，人均碳排放的變化對(duì)能源效率的變化較為敏感，而對(duì)經(jīng)濟(jì)發(fā)展的變化較為不敏感。因此，我國(guó)通過(guò)提高能源效率以抵消經(jīng)濟(jì)發(fā)展帶來(lái)的碳增量是完全可行的。

2. 在I類地區(qū)京津滬，三大因素對(duì)碳排放的影響明顯大于II類地區(qū)鄂粵渝。說(shuō)明I類地區(qū)的碳排放量可能面臨較大的波動(dòng)性，這是政府在制定總量控制減排政策時(shí)需要考慮的。另外，I類地區(qū)的能源結(jié)構(gòu)效應(yīng)雖然稍好于II類地區(qū)，但需要重點(diǎn)關(guān)注天津市，其人均碳排放對(duì)能源結(jié)構(gòu)因素的變化非常敏感，降低煤炭、石油消費(fèi)，發(fā)展清潔能源是天津市碳減排的重要措施。天津市“十二五”節(jié)能減排綜合工作實(shí)施方案中規(guī)定加快調(diào)整優(yōu)化能源消費(fèi)結(jié)構(gòu)，進(jìn)一步控制煤炭消費(fèi)量，“十二五”期間燃煤增量控制在1500萬(wàn)噸以內(nèi)，提高天然氣使用比重。本文結(jié)論對(duì)天津市的減排政策提供了有力的數(shù)據(jù)支持。

3. 經(jīng)濟(jì)發(fā)展仍然是碳排放量增加的主要因素，尤其是I類地區(qū)京津滬。上海市由于經(jīng)濟(jì)結(jié)構(gòu)較為合理，未來(lái)經(jīng)濟(jì)發(fā)展因素帶來(lái)的人均碳排放增量的壓力相對(duì)較小。而京粵渝的碳排放對(duì)經(jīng)濟(jì)發(fā)展較為敏感，未來(lái)的減排壓力較大，其中廣東省由于能源效率對(duì)碳排放的抑制作用較弱，未來(lái)減排壓力最大。因此，這些地區(qū)實(shí)現(xiàn)減排目標(biāo)一方面需要改變經(jīng)濟(jì)發(fā)展模式，大力發(fā)展服務(wù)業(yè)、高科技產(chǎn)業(yè)、新興產(chǎn)業(yè)和節(jié)能環(huán)保產(chǎn)業(yè)；另一方面需要優(yōu)化調(diào)整產(chǎn)業(yè)結(jié)構(gòu)，通過(guò)改造、整頓與調(diào)整高耗能行業(yè)，促進(jìn)產(chǎn)業(yè)結(jié)構(gòu)與能源消費(fèi)的良性互動(dòng)與協(xié)調(diào)一致。

4. 提高能源效率是降低碳排放量增長(zhǎng)的有效途徑，而能源效率因素對(duì)碳排放量的負(fù)向驅(qū)動(dòng)效應(yīng)在兩類地區(qū)的差異很大，II類地區(qū)粵鄂渝的能源效率的負(fù)效應(yīng)較低。需要注意的是，重慶市目前能源效率的負(fù)效應(yīng)雖然較低，但其碳排放對(duì)能源效率的變化較為敏感，減排潛力較大。因此，重慶市通過(guò)提高能源效率來(lái)降低碳排放量的增長(zhǎng)可以收到事半功倍的效果。

［1］ IEA. CO2emission from fuel combustion 2009［M］. Paris: OECD Publishing， 2009.

［2］ KAYA Y. Impact of carbon dioxide emission control on GNP growth: interpretation of proposed scenarios［R］. Paris: IPCC Energy and Industry Subgroup， Response Strategies Working Group， 1990 （mimeo）.

［3］ AlLBRECHT J， Fran?ois D， Schoors K. A shapley decomposition of carbon emissions without residuals［J］. Energy Policy， 2002， 30（9）: 727-736.

［4］ FAN Y， LIU L C， WU G， et al. Changes in carbon intensity in China: Empirical findings from 1980-2003［J］. Ecological Economics， 2007， 62（3）: 683-691.

［5］ 徐國(guó)泉， 劉則淵， 姜照華. 中國(guó)碳排放的因素分解模型及實(shí)證分析: 1995-2004 ［J］. 中國(guó)人口、資源與環(huán)境， 2006，16（6）: 158-161.

［6］ 王峰， 吳麗華， 楊超. 中國(guó)經(jīng)濟(jì)發(fā)展中碳排放增長(zhǎng)的驅(qū)動(dòng)因素研究［J］. 經(jīng)濟(jì)研究， 2010， 45（2）: 123-136.

［7］ 趙欣， 龍如銀. 江蘇省碳排放現(xiàn)狀及因素分解實(shí)證分析［J］. 中國(guó)人口、資源與環(huán)境， 2010， 20（7）: 25-30.

［8］ 牛叔文， 丁永霞， 李怡欣等. 能源消耗、經(jīng)濟(jì)增長(zhǎng)和碳排放之間的關(guān)聯(lián)分析——基于亞太八國(guó)面板數(shù)據(jù)的實(shí)證研究［J］. 中國(guó)軟科學(xué)， 2010（5）: 12-19.

［9］ 黃芳， 江可申， 盧愿清，吳優(yōu). 中國(guó)碳強(qiáng)度的影響因素解析——基于LMDI分解方法［J］. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)， 2012，24（6）: 40-46.

［10］ ANG B W， ZHANG F Q， CHOI K H. Factorizing changes in energy and environmental indicators through decomposition ［J］. Energy， 1998， 23（6）: 489-495.

［11］ MCCOLLUM D， YANG C. Achieving deep reductions in US transport greenhouse gas emissions: Scenario analysis and policy implications ［J］. Energy Policy， 2009， 37（12）: 5580-5596.

［12］ ZHAO M， Tan L， ZHANG W， et al. Decomposing the influencing factors of industrial carbon emissions in Shanghai using the LMDI method ［J］. Energy， 2010， 35（6）: 2505-2510.

［13］ SHEINBAUM C， OZAWA L， CASTILLO D. Using logarithmic mean divisia index to analyze changes in energy use and carbon dioxide emissions in Mexico's iron and steel industry［J］. Energy Economics， 2010， 32（6）: 1337-1344.

［14］ 趙志耘， 楊朝峰. 中國(guó)碳排放驅(qū)動(dòng)因素分解分析［J］.中國(guó)軟科學(xué)， 2012（6）: 175-183.

［15］ 王棟， 潘文卿， 劉慶， 高旭東. 中國(guó)產(chǎn)業(yè)CO2排放的因素分解: 基于LMDI模型［J］. 系統(tǒng)工程理論與實(shí)踐， 2012，32（6）: 1193-1203.

［16］ 馬越越， 王維國(guó). 中國(guó)物流業(yè)碳排放特征及其影響因素分析——基于LMDI分解技術(shù)［J］. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2013， 43（10）: 31-42.

［17］ 范體軍， 駱瑞玲， 范耀東等. 我國(guó)化學(xué)工業(yè)二氧化碳排放影響因素研究［J］. 中國(guó)軟科學(xué)， 2013（3）: 166-174.

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

［19］ ANG B W， Liu N. Handling zero values in the logarithmic mean divisia index decomposition approach［J］. Energy Policy， 2007， 35（1）: 238-246.

［20］ WU L， KANEKO S， Matsuoka S. Dynamics of energyrelated CO2emissions in China during 1980 to 2002: Therelative importance of energy supply-side and demand-side effects ［J］. Energy Policy， 2006， 34（18）: 3549-3572.

［21］ 林伯強(qiáng)， 劉希穎. 中國(guó)城市化階段的碳排放影響因素和減排策略［J］. 經(jīng)濟(jì)研究， 2010， 45（8）: 66-78.

Analysis on Driving Factors of Energy Carbon Emissions in the Pilot Regions of Mandatory Emission Reduction

XIA HuiHE YuYANG Cen
（University of Electronic Science and Technology of ChinaChengdu611731China）

According to the carbon emission data of the whole country and six pilot regions of mandatory carbon emission reduction， this paper studies the driving factors of energy carbon emissions from the energy structure， energy efficiency and economic development. By using the logarithmic mean Divisia index （LMDI）decomposition method， we find that the impact of energy structure on carbon emissions is relatively small， and the three driving factors’ contribution values to per capita carbon emissions in Beijing， Tianjin and Shanghai are significantly greater than that in Hubei， Guangdong and Chongqing. Further， by using the multiple linear regression models and the chain growth rate data of the whole country and six pilot regions of mandatory carbon emission reduction， this paper does empirical analysis on the impacts of the three driving factors’ changes on per capita carbon emissions. The results show that from a national perspective， the impact of the energy structure’s changes on carbon emissions is not significant， and carbon emissions are more sensitive to energy efficiency than to economic development. With the data specific to the six provinces and cities， the impacts of the three driving factors on carbon emissions are not significant in Hubei province， and the impacts in other provinces and cities are of different characteristics. These conclusions provide a reference for the government to develop reasonable policies of carbon emission reduction in various regions.

carbon Emissions； decomposition Analysis； driving factors； LMDI

附表1　2000～2010年北京市各排放源的碳排放量數(shù)據(jù) 單位: 萬(wàn)噸

附表2　2000 ～2010年天津市各排放源的碳排放量數(shù)據(jù) 單位: 萬(wàn)噸

附表3　2000 ～2010年上海市各排放源的碳排放量數(shù)據(jù) 單位: 萬(wàn)噸

附表4　2000～2010年湖北省各排放源的碳排放量數(shù)據(jù) 單位: 萬(wàn)噸

附表5　2000 ～2010年廣東省各排放源的碳排放量數(shù)據(jù) 單位: 萬(wàn)噸

附表6　2000 ～2010年重慶市各排放源的碳排放量數(shù)據(jù) 單位: 萬(wàn)噸

F205

A ［DOI］10.14071/j.1008-8105（2015）01-0051-09

編輯鄧婧

2014- 09-26

教育部人文社會(huì)科學(xué)研究項(xiàng)目（14YJA790062）

夏暉（1969-）男，電子科技大學(xué)經(jīng)濟(jì)與管理學(xué)院副教授；何煜（1988- ）男，電子科技大學(xué)經(jīng)濟(jì)與管理學(xué)院碩士生；楊岑（1988- ）男，電子科技大學(xué)經(jīng)濟(jì)與管理學(xué)院碩士生.