強制減排試點省市能源碳排放驅動因素分析

□夏　暉　何　煜　楊　岑

［電子科技大學　成都　611731］

強制減排試點省市能源碳排放驅動因素分析

□夏暉何煜楊岑

［電子科技大學成都611731］

根據全國及北京市、天津市、上海市、廣東省、湖北省和重慶市六個強制碳減排試點省市的碳排放量數據，采用對數平均權重Divisia分解法（LMDI），從能源結構、能源效率、經濟發展三方面分析能源碳排放的驅動因素，發現能源結構對碳排放的影響相對較小，而且，在北京、天津和上海市，三大驅動因素對人均碳排放的貢獻值明顯大于在湖北省、廣東省和重慶市的貢獻值。進一步，采用多元線性回歸模型和環比增長率數據，實證檢驗全國及六個試點省市三大驅動因素的變化對人均碳排放的影響。研究結果顯示：從全國來看，能源結構變化對碳排放量影響不顯著，而碳排放對能源效率的變化比對經濟發展更為敏感。具體到各省市數據，湖北省三大驅動因素變化對碳排放的影響均不顯著，而其他省市碳排放受各驅動因素的影響各具特點。研究結論為政府在各地區制定合理的碳減排政策提供了參考。

碳排放；因素分解；驅動因素；LMDI

引言

根據IEA［1］的統計數據，2007年中國化石燃料排放的CO2已超越美國，成為世界第一大CO2排放國。隨著經濟的持續發展，煤炭化石燃料的能源消費帶來碳排放量快速增長，中國必然面臨著非常現實、嚴峻的挑戰。目前，國家發展改革委員會發布《關于開展碳排放權交易試點工作的通知》，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交易試點。2013年6月18日深圳市率先進行碳排放交易試點，首批納入強制減排的行業涉及電力、鋼鐵、石化、水泥等高污染高能耗行業。由于試點省市分布在我國的東西南北中，地理位置和經濟發展等因素各不相同，我們需要分析這些地區能源消費導致的碳排放量增加的驅動因素，以便制定合理有效的碳減排政策，促進產業技術升級，提高能源效率，緩解經濟發展帶來的環境問題。

一、相關研究評述

為了分析CO2排放量增長的驅動因素，日本學者Kaya提出了Kaya恒等式，通過因式分解的方法，把影響CO2排放的因素分解為經濟發展水平、能源利用效率、人口和單位能源消費等驅動因素［2］。Johan等對Kaya恒等式進行了擴展，采用Shapley分解技術進行分解，結果顯示：與傳統的分解結果相比，能源碳排放強度的利用和經濟的脫碳增長對碳排放更具影響［3］。此后，眾多學者拓展該因素分解法對碳排放的驅動因素展開了廣泛研究。

學者們有從國家和地區層面進行研究的。Fan等分析了中國1980～2003年一次能源和終端能源碳排放強度之間的變化關系，結果發現能源強度的減少導致碳排放強度的下降［4］。徐國泉等分析了中國人均碳排放的影響因素，發現在1990～2004年間，經濟發展對拉動中國人均碳排放的正向驅動作用呈指數增長，而能源效率和能源結構兩個因素對中國人均碳排放起到抑制的負向驅動作用［5］。王鋒等研究了1995～2007年間中國CO2排放量增長的驅動因素，指出人均GDP增長是CO2排放量增長的最大驅動因素［6］。趙欣等分析了江蘇省人均碳排放的影響因素，其結果顯示，在1996～2007年間經濟規模效應對人均碳排放起到的是正向的作用，且是最為主要的因素，而技術進步與能耗結構的增長會促使人均碳排放的減少，產業結構的調整對人均碳排放的作用較弱［7］。牛叔文等采用面板數據分析亞太八國1971～2005年間能耗和GDP對碳排放影響，研究顯示發達國家在碳排放基數和能源利用率都要高于發展中國家［8］。黃芳等采用對數平均權重Divisia指數LMDI方法對我國1996～2009年碳強度進行分析，結果顯示碳強度總體下降，其中能源強度效用貢獻最大［9］。

研究中還有針對特定部門和產業的。Ang等運用LMDI分解法，對中國工業部門排放的CO2做了研究，結果表明1985～1990年總產出的變化對CO2排放起到正向效應，而對能源強度起到抑制作用［10］。McCollum和Yang［11］利用Kaya恒等式分析了美國交通運輸部門溫室氣體減排目標實現的可能性，并給出相應政策建議。Min Zhao、Lirong Tan等［12］利用LMDI方法研究上海工業部門1996～2007年碳排放影響因素，結果發現促進碳排放增長的主要因素是經濟產出，而能源強度、產業和能源的結構的調整抑制碳排放增長。Sheinbaum C等采用LMDI分解法研究墨西哥鋼鐵工業部門1970～2006年間能耗和碳排放，結果顯示經濟活動帶動能耗增長227%而不是實際的133%，結構和能源效用使得能耗降低5%和90%［13］。趙志耘等研究了我國2000～2009年生產部門、居民生活部門的化石能源消費量以及水泥生產量碳排放量，結果表明我國已經跨越了碳排放強度和人均碳排放高峰階段［14］。王棟等采用LMDI方法，建立中國產業CO2變動的結構分解模型，分析1997～2007年間CO2排放變動影響因素，結果表明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度［15］。馬越越等研究了1991～2010年我國物流業的碳排放的因素，結果發現應大力推進物流業科技水平和物流發展因素的提高［16］。范體軍等則從我國化學工業1996～2007年間CO2排放量變化的影響因素分析，結果發現影響CO2排放量的兩個最主要因素是經濟活動和能耗強度［17］。

Ang在綜合比較各種分解方法的基礎，對對數平均Divisia指數方法（LMDI）與算術平均Divisia指數方法（AMDI）進行了比較，結果顯示：LMDI方法能消除殘差項，克服了其他方法分解后存在殘差項的缺點，使模型更具說服力［18］。之后Ang等給出了一種利用分析限制（Analytical Limit）處理LMDI分解下出現零值的方法。當然，對碳排放驅動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、轉換和消費的新模型，比較了傳統意義上在能源需求側和能源供給側的驅動因素貢獻度［20］。林伯強等引入城市化因素， 采用協整和蒙特卡洛模擬法，動態地解釋和預測了中國CO2排放量的增長情形，結果表明：人均GDP和能源強度是影響CO2排放最主要的因素，城市化的確對碳排放有重要影響［21］。

目前，中國準備參考歐盟實施總量控制碳排放權交易機制，由于各省市經濟發展存在很大差異，經濟結構也不盡相同，制定合理的碳減排政策必須考慮地區間差異。上述國內學者的研究要么采用全國數據，要么采用省市數據，沒能對各省市之間碳排放影響因素的異同進行對比，尤其缺乏針對目前總量控制下的強制減排試點省市數據進行分析。本文遵循Johan等的思路，采用改進后的Kaya恒等式，根據北京市、天津市、上海市、重慶市、廣東省和湖北省六個試點省市（暫缺少深圳市碳排放的相關數據）2000～2010年的時間序列數據，對能源消費碳排放的驅動因素進行深入分析，結果發現，能源結構對碳排放的作用相對較小。另外，在京津滬地區，能源結構、能源效率、經濟發展三因素對人均碳排放的影響明顯大于鄂粵渝地區，其中能源效率因素對碳排放量的負向驅動效應在兩類地區的差異很大。

論文另一個創新之處在于，采用各變量的增長率數據針對各驅動因素變化的敏感性進行實證分析。以往的因素分析更多關注各影響因素對碳排放量的貢獻值，這是歷史現狀分析。而影響因素的敏感性分析有助于發現各因素的減排潛力，幫助政府找出低成本進行碳減排的途徑。研究結果顯示：天津市碳排放對能源結構變化非常敏感，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碳排放的抑制作用相對較小，經濟發展帶來的碳排放量增加的壓力是最大的，轉變經濟發展模式是廣東省降低碳排放的有效途徑。

二、模型構建與數據說明

（一）碳排放因素分解

對數平均權重Divisia指數（LMDI）分解法對分解中的殘差問題有較有效的處理，同時能夠很好地解決數據中零值與負數問題。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為消費第i種能源的碳排放量；Ei為第i種能源的消費量；E為一次能源的消費量，所謂的一次能源就是在自然界中能直接獲取，不需要轉換的能源，例如煤炭、石油和天然氣等；Y為GDP；P為人口數量。

上式進一步可以表示成：

式（2）中，A表示人均碳排放量，右邊S、F、I、R分別代表能源結構因素Ei/E、能源強度因素Ci/Ei、能源效率因素E/Y、經濟發展因素Y/P。以上兩個等式中的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中所占的比重之和在90%以上，故僅考慮這三種能源消費）。根據徐國泉［5］、王鋒［6］等對碳排放驅動因素的分解，各影響因素的含義如下：

4. 經濟發展因素：人均GDP。

根據式（2），可以得到第t期相對于基期的人均碳排放量的變化：

式中，ΔAS、ΔAF、ΔAI、ΔAR分別為各因素對人均碳排放量變化的貢獻值，ΔArsd為分解余量。對上式，我們采用Ang等人提出的對數平均權重Divisia分解法進行分解，得到各因素的分解結果如下：

（二）數據說明

1.CO2排放量數據的計算

本文采用全國以及北京、天津、上海、湖北、重慶、廣東六省市碳排放數據。煤炭、石油和天然氣燃燒排放的CO2量等于各自的消費量乘以各自排放系數，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種能源的消費量；αi為CO2排放系數。各類能源的碳排放系數見表1。

表1　各類能源的碳排放系數

2.其他變量數據來源

全國的煤炭、石油、天然氣能源的消費量、人口數量和GDP均來自于2000-2010年的《中國統計年鑒》，并以2000年作為基期。其余省市的數據是從2000-2010年的《中國能源統計年鑒》和各省市的統計年鑒中整理、匯總、計算得到，同樣以2000年為基期。三類能源轉換為標準煤的系數參照國家發展和改革委員會能源研究所的研究報告，如表2所示。

表2　各種能源折標準煤參考系數（kg標準煤）

三、驅動因素分析

根據式（6）的計算方法，可以計算出 2000～2010年中國三大能源（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年中國三大能源碳排放量數據 單位：萬噸

2000～2010年三大能源消費的碳排放量都是逐年增加的，其中煤炭消費一直是碳排放的主要來源，其碳排放量的平均比重在80%左右，且相對保持穩定。石油消費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。天然氣碳排放量的平均比重為2.032%，所占比重相對較小，但呈穩步上升趨勢。

基于以上數據，再根據公式（4）可以計算出，能源結構（S）、能源效率（I） 和經濟發展（R）三個因素對人均碳排放變化量的貢獻值，結果見圖1。

圖1　2001～2010年三大因素的貢獻值

圖1中橫坐標為年份，縱坐標為三大因素對人均碳排放變化量的貢獻值。首先，我們從圖中能很明顯地看到經濟發展對碳排放起著正向的驅動作用，而能源效率則是碳排放量增加的負向驅動因素。其次，經濟發展和能源效率因素對人均碳排放量的影響都經歷了2001～2003年下降，2004年之后緩慢上升的趨勢。最后，能源結構對人均碳排放起著微弱的負向驅動作用，反映出2001～2010年間我國以煤炭為主的能源模式還未發生根本性的改變。從表4中可以看到煤炭占總能源消費中的比重在2001年（68.3%）到2010年（68.4%）間只有小幅變化。雖然天然氣消費的比重由2001年的2.2%升到2010年的4.4%，但由于比重太小，對改善我國能源結構的作用實在有限。

表4　全國能源結構、能源效率、經濟發展和人均碳排放量各年數據

為了分析碳排放的區域差異，我們繪制了6省市LMDI分解法后三因素對人均碳排放量變化的貢獻值趨勢圖，如圖2、3、4所示。

圖2　能源結構因素的影響

圖3　能源效率因素的影響

圖4　經濟發展因素的影響

為方便分析，我們將六省市劃分為兩類地區：I類地區為北京、天津和上海市，II類地區為湖北、廣東和重慶三省市。我們可以明顯看到由于絕對值較大，I類地區的能源結構、能源效率和經濟發展因素對人均碳排放量的影響均大于II地區。

進一步，通過分別對能源結構、能源效率和經濟發展三大因素進行分析，我們有以下發現：

1. II類地區能源結構對碳排放的影響很小。在其他因素不變的情況下，改變各能源消費比例將對人均碳排放的變化產生影響，這種影響可能為正，也可能為負。圖2顯示，I類地區的能源結構顯然優于II類地區，并且I類地區的能源結構對碳排放起著負向抑制作用。縱觀六個試點省市，其中對碳排放的負向抑制最大的省市為上海市。II類地區能源結構對碳排放的影響很小，其中重慶市的能源結構對人均碳排放起著微弱的正向驅動作用，其原因在于重慶市天然氣碳排放所占比重逐年下降，參見附表6。

2. 能源效率因素對碳排放量的負向驅動效應在兩類地區的差異很大。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，將會有助于碳排放量的減少，因此能源效率對碳排放產生負向驅動效應。從圖3可以看出，I類地區能源效率對人均碳排放量的貢獻值（絕對值）呈現逐年遞增的趨勢，這說明京津滬三市的能源利用效率相對較高，極大的減緩了人均碳排放的增長。而II類地區粵鄂渝的能源效率的負效應較低，最高也為-0.5，其中重慶市的能源效率的貢獻值最低（約-0.2）。說明這三省市單位GDP能耗高，必須大力提高能源效率。

3. 經濟發展對人均碳排放的貢獻值是三因素中平均最大的。一般而言，隨著經濟水平的提高，企業用于生產的能源消費量也會增長，從而碳排放量也會相應提高，成為各省市碳排放量增長正向的驅動因素。圖4顯示，I類地區（京津滬）經濟發展對碳排放的貢獻值較大，其中天津的經濟發展對碳排放的貢獻值最大，約為3.5。北京市經濟發展對碳排放的正效應最大約為1.5，近年呈現下降的趨勢，說明北京未來的經濟發展帶來的碳排放壓力開始減弱，附表1顯示北京的人均碳排放近年來已呈現下降趨勢。對比圖2、3、4，經濟發展對人均碳排放的貢獻值是三因素中平均最大的。

四、多元回歸分析

為進一步分析能源結構、能源效率和經濟發展三因素的動態變化趨勢，以及人均碳排放量的變化對各因素變化的敏感程度，我們采用各變量環比增長率（變量本期相對上期的增長率）數據，建立如下的多元線性回歸統計模型：

上式中S表示能源結構因素，是煤炭和石油的碳排放量在總的碳排放量中比重。相對煤炭和石油，天然氣是較為清潔的能源，這里計算主要是高碳的化石能源消費，故未包括天然氣。R表示經濟發展因素，I表示能源效率因素，A表示人均碳排放量，ε為隨機誤差項。各變量均用環比增長率表示，故回歸式中的系數類似于經濟中彈性的概念，其絕對值大于1，表示人均碳排放量對該變量的變化較為敏感。另外，采用變量增長率數據也消除了各因素的量綱差異。我們采用EVIEWS6.0分別對全國、北京、天津、上海、湖北、廣東和重慶市2000～2010年相關數據進行回歸分析，結果見表5。

表5　回歸分析結果表

表5顯示，從全國范圍來看，能源結構變化對碳排放的影響不顯著，這主要是因為煤炭、石油消費占我國能源消費的比重過大，約占90%（參見表4），且改變很小。另外，人均碳排放量的增長對能源效率因素I的敏感性（1.182）超過了經濟發展因素R（0.975），說明經濟發展雖然帶來了碳排放量的增加，但通過轉變經濟發展方式、提高能源效率可以保證減排目標的實現。

具體到各省市三大影響因素分析，湖北省人均碳排放對能源結構、能源效率和經濟發展的變化均不顯著，其他省市人均碳排放對三大因素變化的反映各具特點。

在能源結構因素S方面，除天津和重慶市外，其他省市的數據都不顯著。煤炭、石油在我國能源消費中的比重長期穩定在90%左右是造成上述結果的原因。需要重點關注天津市的數據，其能源結構的系數很大，達到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，幾乎占到能源消費的99%，故天津市應大力度調整能源結構，鼓勵針對包括水電、核電、風電、太陽能發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人均碳排放的增長都是顯著的，且較為敏感，回歸系數均大于1。能源效率的回歸系數大于1，意味著單位GDP能耗的降低會導致人均碳排放減少得更多。而我國能源效率普遍較低，未來提高能源效率的空間很大。各省市能源效率回歸系數中，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能源效率的變化較為敏感，應從提高能源效率著手，降低人均碳排放。

在經濟發展因素R方面，北京、廣東、重慶市和上海市，經濟發展對人均碳排放增長有顯著影響，其中京粵渝較為敏感（系數大于1），而上海市較為不敏感（0.936）。經濟發展因素對北京、廣東和重慶三省市的人均碳排放影響較大。以北京市為例，其經濟發展增長1%，人均碳排放會增加約1.14%。而上海市經濟發展帶來的碳排放壓力相對較小，其經濟發展增長1%，人均碳排放只增加約0.94%，低于全國0.975%的平均水平，說明上海市經濟發展模式較為合理，其經濟發展的增長帶來的人均碳排放的增長較小。

綜合能源效率因素和經濟發展因素，所有省市中，只有廣東省的人均碳排放對經濟發展的敏感性（1.128）超過了能源效率（1.044），說明經濟發展帶來的碳排放量的增加較大，而提高能源效率對碳排放的抑制作用較小，故廣東省未來的碳排放壓力較大。重慶市人均碳排放對經濟發展的敏感性較小（1.088），而對能源效率變化的敏感性較大（1.291），故重慶市未來碳減排潛力巨大，可以通過提高能源效率，抵消經濟發展所帶來的碳增量，實現減排目標。

五、結論及建議

本研究基于煤炭、石油、天然氣能源消費量以及GDP和人口的數據，較全面地測算了2000～2010年全國及六個強制碳減排試點省市的人均碳排放量的變化情況，并借助對數平均權重迪氏指數（LMDI）分解模型，考察樣本期間能源結構、能源效率和經濟發展三因素對人均碳排放量變化的影響。研究結果表明：（1）經濟發展是人均碳排放量增長的正向驅動因素，而能源效率是負向驅動因素，能源結構對碳排放的作用相對較小，且I類地區京津滬的三大驅動因素對人均碳排放的影響明顯大于在II類地區鄂粵渝的影響；（2）II類地區能源結構對碳排放的影響很小，能源效率因素對碳排放量的負向驅動效應在兩類地區的差異很大，經濟發展對人均碳排放的貢獻值是三因素中平均最大的；進一步，通過采用多元線性回歸模型和環比增長率數據對各變量的敏感性進行實證分析。研究結果表明：（3）從全國范圍來看，能源結構因素變化對人均碳排放的影響不顯著。相對經濟發展因素而言，碳排放的變化對能源效率的變化更為敏感；（4）湖北省三大因素對人均碳排放的影響均不顯著，而天津市的人均碳排放對能源結構因素的變化非常敏感，廣東省未來碳減排壓力最大，而重慶市的減排潛力最大。

我國正在試點實施總量控制碳排放權交易的減排制度，本研究所得結論對政府實施區域有差別的碳減排政策提供了數據參考和啟示，包括以下幾個方面。

1. 總體上看，能源結構因素對人均碳排放的驅動作用目前還很小，影響也不顯著。煤炭、石油等高碳排放能源長期在能源消耗中占據約90%，這種極不合理的能源結構是未來減排非常大的障礙，但從另一方面，也為未來的能源結構調整留下了很大的空間，這需要能源科技創新、大力發展清潔能源來完成這種能源結構調整。同時，人均碳排放的變化對能源效率的變化較為敏感，而對經濟發展的變化較為不敏感。因此，我國通過提高能源效率以抵消經濟發展帶來的碳增量是完全可行的。

2. 在I類地區京津滬，三大因素對碳排放的影響明顯大于II類地區鄂粵渝。說明I類地區的碳排放量可能面臨較大的波動性，這是政府在制定總量控制減排政策時需要考慮的。另外，I類地區的能源結構效應雖然稍好于II類地區，但需要重點關注天津市，其人均碳排放對能源結構因素的變化非常敏感，降低煤炭、石油消費，發展清潔能源是天津市碳減排的重要措施。天津市“十二五”節能減排綜合工作實施方案中規定加快調整優化能源消費結構，進一步控制煤炭消費量，“十二五”期間燃煤增量控制在1500萬噸以內，提高天然氣使用比重。本文結論對天津市的減排政策提供了有力的數據支持。

3. 經濟發展仍然是碳排放量增加的主要因素，尤其是I類地區京津滬。上海市由于經濟結構較為合理，未來經濟發展因素帶來的人均碳排放增量的壓力相對較小。而京粵渝的碳排放對經濟發展較為敏感，未來的減排壓力較大，其中廣東省由于能源效率對碳排放的抑制作用較弱，未來減排壓力最大。因此，這些地區實現減排目標一方面需要改變經濟發展模式，大力發展服務業、高科技產業、新興產業和節能環保產業；另一方面需要優化調整產業結構，通過改造、整頓與調整高耗能行業，促進產業結構與能源消費的良性互動與協調一致。

4. 提高能源效率是降低碳排放量增長的有效途徑，而能源效率因素對碳排放量的負向驅動效應在兩類地區的差異很大，II類地區粵鄂渝的能源效率的負效應較低。需要注意的是，重慶市目前能源效率的負效應雖然較低，但其碳排放對能源效率的變化較為敏感，減排潛力較大。因此，重慶市通過提高能源效率來降低碳排放量的增長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］ 徐國泉， 劉則淵， 姜照華. 中國碳排放的因素分解模型及實證分析: 1995-2004 ［J］. 中國人口、資源與環境， 2006，16（6）: 158-161.

［6］ 王峰， 吳麗華， 楊超. 中國經濟發展中碳排放增長的驅動因素研究［J］. 經濟研究， 2010， 45（2）: 123-136.

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

［8］ 牛叔文， 丁永霞， 李怡欣等. 能源消耗、經濟增長和碳排放之間的關聯分析——基于亞太八國面板數據的實證研究［J］. 中國軟科學， 2010（5）: 12-19.

［9］ 黃芳， 江可申， 盧愿清，吳優. 中國碳強度的影響因素解析——基于LMDI分解方法［J］. 數學的實踐與認識， 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. 中國碳排放驅動因素分解分析［J］.中國軟科學， 2012（6）: 175-183.

［15］ 王棟， 潘文卿， 劉慶， 高旭東. 中國產業CO2排放的因素分解: 基于LMDI模型［J］. 系統工程理論與實踐， 2012，32（6）: 1193-1203.

［16］ 馬越越， 王維國. 中國物流業碳排放特征及其影響因素分析——基于LMDI分解技術［J］. 數學的實踐與認識，2013， 43（10）: 31-42.

［17］ 范體軍， 駱瑞玲， 范耀東等. 我國化學工業二氧化碳排放影響因素研究［J］. 中國軟科學， 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， 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， 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據 單位: 萬噸

附表2　2000 ～2010年天津市各排放源的碳排放量數據 單位: 萬噸

附表3　2000 ～2010年上海市各排放源的碳排放量數據 單位: 萬噸

附表4　2000～2010年湖北省各排放源的碳排放量數據 單位: 萬噸

附表5　2000 ～2010年廣東省各排放源的碳排放量數據 單位: 萬噸

附表6　2000 ～2010年重慶市各排放源的碳排放量數據 單位: 萬噸

F205

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

編輯鄧婧

2014- 09-26

教育部人文社會科學研究項目（14YJA790062）

夏暉（1969-）男，電子科技大學經濟與管理學院副教授；何煜（1988- ）男，電子科技大學經濟與管理學院碩士生；楊岑（1988- ）男，電子科技大學經濟與管理學院碩士生.