基于LMDI模型的長三角城市能源消費碳排放影響因素分解研究

劉芳 江海濤

摘 要：長三角作為引領中國經濟高質量發展的重要區域，其能源消耗碳排放引人關注。本文研究發現長三角地區2005—2019年三大產業能源消費碳排放量逐年增長，經濟產出、產業結構、能源強度以及能源結構等都與碳排放變化相關。本文建議不斷研發推廣清潔能源技術，加大可再生能源消費比重，大力發展數字經濟和平臺經濟，優化產業結構，并結合地區碳排放量，采取差異化碳減排措施，引導全民樹立零廢低碳生活風尚。

關鍵詞：長三角;能源消費;碳排放;影響因素;LMDI

本文索引：劉芳，江海濤.基于LMDI模型的長三角城市能源消費碳排放影響因素分解研究[J].商展經濟，2022（07）：-132.

中圖分類號：F124.5 文獻標識碼：A

技術的發展不僅帶來經濟的高速增長，還導致碳排放增加，催生全球氣候風險。減少能源消耗碳排放已經成為國際政治、經濟、環境等領域關注的焦點。人類對保護環境的認識越來越深刻，中國作為最大的發展中國家在能源消費結構調整及碳減排方面肩負重要責任。長三角地區擁有中國經濟結構最完整最活躍的城市群，以10%的人口，創造了全國20%的GDP。隨著該地區三大產業的不斷發展，各類能源被大量消耗，在推動經濟增長的同時，也帶來不可估量的環境影響。在“雙碳”目標下，探究長三角地區能源碳排放影響因素，促進該地區碳減排，實現低碳、高質量經濟增長具有重要意義。

1 文獻綜述

國內學者圍繞碳排放與經濟增長以及碳排放影響因素開展了多視角的研究。從內容看，Waheed等（2019）研究表明全球大多數國家和地區的碳排放突增都是因為其經濟高速增長而消耗了大量化石能源造成的[1]。能源的大量消耗在造就經濟增長的同時，還引發空氣污染和碳排放增加。Dong等（2021）選取河南省12個主要工業碳排放行業作為研究對象，運用LMDI+Tapio解耦模型分析碳排放與經濟發展的關系，并利用長期能源替代規劃系統模型預測碳排放與經濟發展的脫鉤狀態[2]。Akif等（2020）認為，在英國、加拿大和日本等G7國家，隨著收入和能源消耗的增加，二氧化碳排放也在增加[3]。賀勇等（2021）基于STIRPAT研究了工業研發投入能源消費碳排放的影響進行定量分析[4]。從方法看，結構性因素分解法、自適應權重分解法、指數因素分解方法和EKC（環境庫茲涅茲曲線）等被用于碳排放影響因素的確定。張仁杰和董會忠（2020）研究發現城市結構、產業結構都對碳排放有抑制作用;而當城市結構達到一定程度時，人口及產業的集中則變得有利于降低碳排放[5]。

2 研究方法與數據來源

2.1 LMDI模型構建

LMDI分解法是基于擴展的Kaya恒等式變化而來，旨在對一定時期內能源消費或碳排放變化的影響因素進行分解[6]。LMDI分解法有乘法模式和加法模式兩種形式[7]。加法模式表達式如下：

其中，C是能源消費二氧化碳排放總量，Cij表示第j類能源在第i類產業中的二氧化碳排放量，是能源消費量，G表示經濟總產值，反映經濟產出效應，Si是某類產業碳排放量占碳排總量的比例，反映產業結構效應;Ii是第i類產業的單位GDP碳排放量，表征能源強度效應;Mi是某類能源在能源消費總量中的比例，反映能源結構效應;Fi代表各能源的碳排放系數。以C0和Ct分別表示基期和t期的碳排放水平，并用ΔC表示前后兩期碳排放增量，則有：

2.2 數據來源

本文以長三角27個城市為研究區域，計算所使用的能源和GDP數據來自《中國能源統計年鑒》、各省統計年鑒， 參考IPCC推薦的方法對能源消耗碳排放進行測度。

3 結果分析

3.1 長三角城市能耗碳排放分區分析

本文對2005—2019年27個城市的平均能源消費量及平均碳排放量進行了整理計算，限于版面，數據在此不贅列。參考現有研究[8]，按27個城市年均平均值的1/2倍和2倍，將27個城市分為能源消費的高值區（>4800萬噸/年）、中值區（1200～4800萬噸/年）和低值區（<1200萬噸/年）。即碳排放的高值區（>12000萬噸/年）、中值區（3000～12000萬噸/年）和低值區（<3000萬噸/年）。結果表明上海、南京、蘇州和杭州4個城市為能源消費高值區和碳排放高值區;無錫、常州、南通、寧波、溫州、合肥和馬鞍山7個城市為能源消費中值區和碳排放中值區;揚州、鎮江等16個城市均為能源消費低值區和碳排放低值區。

3.2 長三角城市能源消耗碳排放影響因素分解分析

通過LMDI因素分解法對長三角城市2005—2019年能源消費碳排放變化量進行計算分析，如表1所示，得出經濟產出效應、產業結構效應、能源強度效應和能源結構效應對長三角城市能源消費碳排放的影響效果。

首先，經濟產出對長三角能源消費碳排放起拉動因素，總體上呈正效應。具體來說，在2005—2019年，由于長三角的經濟飛速發展，碳排放也隨之增加，十五年累計增加了256276.01萬噸。經濟產出效應在2012—2013年，尤為突出，達到了30547.47萬噸，在2010—2011年拉動效應最小，為11391.2萬噸。產業結構對長三角能源消費碳排放起拉動因素，總體上呈正效應。2005—2019年，產業結構累計使碳排放增加了35.76萬噸。產業結構對能源消費碳排放的影響程度在2010—2011年最高，達到了11.28萬噸。2015—2019年，產業結構變化對碳排放量的影響相對較小，并且在2016—2017年幾乎沒有影響。能源強度對長三角能源消費碳排放起抑制作用，總體上呈負效應。總體來說，能源強度在2005—2019年，累計使碳排放減少了144407.6萬噸。2012—2013年，能源強度對碳排放量的抑制作用最為突出，使碳排放減少了23109.56萬噸。2006—2007年，能源強度對碳排放量的抑制程度最小，為-3263.43萬噸。能源結構對長三角能源消費碳排放起拉動作用，整體呈正效應。總體來說，能源結構2005—2019年，累計使碳排放增加了82.03萬噸。能源結構效應在2016—2017年體現得較為突出，使碳排放增加了21.55萬噸，在2009—2010年影響力度較小，為1.14萬噸。

因素分解結果顯示，長三角近些年經濟發展迅速，為滿足其高速發展，對能源的要求也就處于高需求階段，因此長三角的經濟產出一直較高的拉動著長三角的碳排放量。長三角碳排放的產業結構效應處于階段性的趨勢，在2012年前因長三角為了經濟發展大力追求第二三產業的發展，產業結構對碳排放起明顯的拉動因素，自2012年以后，該地區產業結構趨于穩定，其碳排放的影響效應微弱了很多。而長三角的能源強度則恰恰與經濟產出相反，雖然能源強度效應一直不是很穩定，但能源強度一直起著抑制長三角碳排放的作用。能源結構雖然近些年對長三角碳排放的影響程度不是很明顯，但一直處于拉動效應，說明長三角能源消費還是過度的依賴煤炭化石能源，能源結構應往綠色環保方面發展。

4 結語

結合以上數據分析，本文提出促進長三角地區能源消費綠色轉型的建議：（1）突破清潔能源技術應用瓶頸。加大對基礎科學研究的支持力度，扶持一批關鍵清潔能源技術的研發與應用，降低清潔能源技術使用成本，同時充分發揮水力發電優勢，彌補風力發電和太陽能發電中間歇性的不足。（2）大力發展數字經濟和平臺經濟。在產業結構轉型方面，對高能耗的產業進行轉移，依托長三角科研資源和對外貿易優勢，著力發展數字經濟和平臺經濟，減少對能源消費的依賴。（3）各城市實施差異化的碳減排措施。屬于高碳區城市要重點監測高碳行業和高碳企業，引導和鼓勵企業進行低碳化運營，通過參與碳市場交易，平衡碳減排成本。（4）引導公民樹立零廢低碳生活理念。通過微信、抖音、快手等現代網絡平臺，加大低碳生活方式的宣傳，營造低碳消費氛圍，通過全民參與，積極建設零廢低碳城市。

參考文獻

Waheed， R.， Sarwar， S.， & Chen， W. The survey of economic growth， energy consumption and carbon emission[J]. Energy Reports， 2019（5）：1103-1115.

Dong， J.， Li， C. B.， Wang， Q. Q. Decomposition of carbon emission and its decoupling analysis and prediction with economic development： A case study of industrial sectors in Henan Province[J]. Journal of Cleaner Production，2021，129019.

Akif， D. M.， Muhammad， S.， Ilyas， O.， Shawkat， H.， & Avik， S. The relationship between economic growth and carbon emissions in G-7 countries： evidence from time-varying parameters with a long history[J].MPRA Paper， 2020，27，29100-29117.

賀勇，傅飛飛，廖諾.基于STIRPAT模型的工業研發投入對碳排放影響效應分析[J].科技管理研究，2021，41（17）：206-212.

張仁杰，董會忠，韓沅剛，等.能源消費碳排放的影響因素及空間相關性分析[J].山東理工大學學報（自然科學版），2020，34（1）：33-39.

徐國泉，蔡珠，封士偉.基于二階段LMDI模型的碳排放時空差異及影響因素研究：以江蘇省為例[J].軟科學，2021，35（10）：107-113.

Yang， J. ， Cai， W. ， Ma， M. ， etal. Driving forces of China’s CO2 emissions from energy consumption based on Kaya-LMDI methods[J].Science of The Total Environment， 2019.

Han， X. J.， Yu， J. L.， Xia， Y.， Wang， J. J. Spatiotemporal characteristics of carbon emissions in energy-enriched areas and the evolution of regional types [J].Energy Reports，2021（7）： 7224-7237.