碳排放的影响因素范例(12篇)

daniel 0 2024-03-19

碳排放的影响因素范文篇1

作者简介：崔玮，博士生，主要研究方向为城市非农用地管理，效率评价方程。

基金项目：国家自然科学基金项目（编号：71203097）；国家社会科学基金项目（编号：08BJY014）；江苏省普通高校研究生科研创新计划项目（编号：CXZZ12_0175）；中央高校基本科研业务费专项资金资助。

摘要伴随着城市化水平的提高，农地非农化的趋势不可逆转。为了缓解农地非农化导致的温室效应，提升它的利用效率是可选择的途径之一。建立结合DEA技术的Malmquist指数模型，借助MATLAB软件计算出1999-2010年全国28个省区市碳排放约束条件下的城市非农用地动态效率值；再利用面板数据，采用广义最小二乘法分析影响城市非农用地生态效率的因素。研究发现，①加入碳排放约束条件后，中国东中西三大区域之间城市非农用地的生态效率相近，区域之间没有实行耕地占补平衡的必要性；②非农用地的生态效率与经济发展、非农用地利用强度之间是正相关关系，与开放度是负向关关系，与所有制结构的关系不确定，与城市的创新能力无直接关系。因此，一方面城市非农用地利用中要考虑环境约束条件，另一方面应高度重视城市非农用地生态效率的影响因素，实现高效利用城市非农用地资源的目标。

关键词生态效率；Malmquist指数；DEA技术；非农用地；碳排放；城市化

中图分类号F062.1文献标识码A文章编号1002-2104（2013）07-0063-07doi：103969/jissn1002-2104201307010

全球气候变暖已成为人类面临的严峻挑战。陷入这一困境的原因有两个：一是自然气候波动，二是人类活动影响。自1750年以来，人类活动排放的各种温室气体已经成为气候变暖的主要原因[1]，其中CO2的影响最大，它产生的温室效应占总效应的63%，并且分解所需时间也是温室气体中最长的。特别是近40年，CO2的排放量增加了约80%，而且排放的速度还在不断提升（史新峰，2010），所以减少CO2排放成为治理温室气体的重点。然而全球减排的重心在化石能源，忽视了非农用地这个重要碳源，但后者带来的碳排放量仅次于前者。1850-1998年土地利用变化引起的碳排放量占排放总量的1/3，是化石能源产生碳排放量的1/2[2]。故人类走出全球变暖困境不仅要节约使用化石能源，也要合理利用土地资源。

中国正处于工业化中期和城市化中期，农地非农化的趋势必将继续[3]，这不仅威胁到国家粮食安全而且也关乎气候变暖，解决这个危机的有效途径之一是通过提高非农用地的利用效率，降低农地非农化的速度（刘涛，2008）。因此，寻找提高非农用地利用效率的影响因素迫在眉睫。

1土地利用效率研究回顾

土地利用效率影响因素的文献主要以农用地为研究对象。部分学者研究了经营规模对农用地利用效率的影响，瑞定杰认为小规模农田有损农用地利用效率，而罗伊，卫新、毛小报和王美清则持相反观点。部分学者关注了土地细碎化对农用地利用效率的影响，也出现了相反的两种观点。有研究表明，经济欠发达地区农地细碎化有助于提升农用地利用效率[4]，而王秀清和苏旭霞，刘涛、曲福田、金晶等不赞同他们的研究结论。还有学者研究了兼业对土地利用效率的影响，黄大学认为兼业经营不利于农用地的充分利用，而梁流涛和曲福田利用DEA方法得出的结论与之相反。蔡基宏[5]结合已有研究，提出了影响农用地利用效率的指标体系，包括了土地规模、土地细碎化程度、农户兼业化程度、农业保险市场和金融市场。在此基础上，夏庆利和罗芳[6]以湖北省为例重点讨论了土地细化和农户兼业对农用地利用效率的影响。

影响土地利用效率因素的研究集中于农用地，鲜有对城市非农用地的相同研究。然而农地非农化已经成为温室效应的元凶之一，找到提高非农用地利用效率的因素势在必行。该研究匮乏的原因之一在于难以将农地非农化产生的温室效应纳入非农用地利用效率模型。因此，构建恰当的模型计算碳排放约束下非农用地生态效率值，是寻找其影响因素的第一步，也是关键一步。

崔玮等：基于碳排放约束的城市非农用地生态效率及影响因素分析中国人口・资源与环境2013年第7期陈福军是国内较早研究非农用地利用效率的学者，他从城市化角度，基于比较优势理论对比中国东中西三大区域城市土地的利用效率，之后还有类似研究[7-8]，得出了一致的结论，非农用地利用效率由东向西依次降低。然而这些研究均忽视了区内差异，该差异还可能大于区际差异（谭荣、曲福田和郭忠兴，2005）。由此，只考虑经济收益时，比较优势理论用于研究非农用地利用效率已有争议，如果加入土地资源的环境价值，虽然农地非农化能增加土地的经济价值，但生态功能价值减少，三个区域将失去各自的比较优势，而且各区域内部非同质，结构复杂，利用比较优势理论并不科学，需要借助其他理论框架分析该问题。

谭荣和曲福田[9-10]利用边际替论测算了中国非农用地的利用效率。虽然他们的研究考虑了生态环境因素，但实质是将生态服务价值作为非农用地成本的一部分，并未真正发挥生态环境的约束功能。

Schaltegger和Sturm提出了生态效率（Ecoefficiency）理论，其内涵是一定量的投入，期望产出与非期望产出的比值[11]，用于计算非农用地效率能弥补比较优势理论、边际替论等理论的缺陷。具体的计算过程需要借助DEA技术，该技术能内生性地得到权重[12-13]，不仅保证了它的客观性还兼顾了自然资源与非期望产出直接的可替代性。

仅有少数学者运用结合DEA技术的Malmquist指数[14]分析了工业的环境动态技术[15-16]。与工业生产类似，农地非农化产生CO2的过程可视为一个生产过程，因此借鉴工业环境技术模型可以估算城市非农用地生态效率。融合DEA技术的Malmquist指数计算碳排放约束条件下非农用地生态效率，不仅填补了该研究的空缺，也是进一步找到它的影响因素、提升其利用效率和减少碳排放的基础，为快速城市化的中国缓解土地危机提供一些思路。

2研究方法和模型构建

2.1生态环境技术

资源环境系统的生产过程伴随着各种要素投入，产品既有期望的产出（好的产出）也有非期望的产出（坏的产出）。假设某一地区利用非农用地生产，投入三种要素――资本（K）、劳动力（L）和土地（M），形成期望产出国内生产总值（Y）和非期望产出CO2（C）。产出CO2的原因是城市化中随着农地非农化，附着在农用地上的绿色植被也减少，导致农用地丧失了固定CO2的生态服务功能，等同于生产出了CO2。该生产过程表示为

P（x）={（Y，C）：（K，L，M，Y，C∈T）}

其中，T为生产过程中的技术关系，P（K，L，M）为产出集，符合闭性、有界和凸性特征，即一定的投入不可能有无限产出；如果这些投入可以获得两组产出量，那么也能产出这两种产出量的任意加权平均。

P（x）函数的其他性质可参考已有的研究成果[17-18]。

虽然上述理论将期望产出和非期望产出有效地结合在一起，便于更深入地理解生态环境生产技术，但不具备应用性，无法直接用于实证研究，只有与DEA技术结合才能应用于实践[17]。根据Zhou、Ang和Poh[19]的DEA技术，设有I个地区，即I个决策单元（DMU），第i个地区的投入产出为（K，L，M，Y，C）。据此，规模报酬不变条件下的生产过程可表示为式（1）。

P（K，L，M）={（K，L，M，Y，C）}

∑Ii=1λiKi≤K；∑Ii=1λiLi≤L；∑Ii=1λiMi≤M（1）

∑Ii=1λiYi≥Y

∑Ii=1λiCi=C

λi≥0，i=1，2，…，I

其中，λi为相对于DMU0重新构造的一个有效DMU组合中第i个评价单元DMUi，λi≥0表明生产技术为规模报酬不变。式（1）中的不等式约束表明要素投入和期望产出具有强可处置性，等式约束则说明了非期望产出的弱可处置性和两类产出的零结合性。

2.2Malmquist生态效率指数

Caves、Christensen和Diewert[20-21]引入了Malmquist指数，Fare、Grosskopf和Norris等[22]将其发展为用距离函数描述的非参数方法。传统的Shephard距离函数无法求解带CO2约束条件的模型，需要借鉴Tyteca[23]的静态环境绩效测度方法，定义二氧化碳的距离函数为式（2）。

K（K，L，M，Y，C）=sup{δ：（K，L，M，Y，C/δ）∈P（K，L，M）}（2）

通过求解式（2）中的δ值可得提升生态效率的最大限度，进而可以评价地区的静态生态绩效。在此基础上，构建Malmquist动态绩效方程测算生态效率的动态变化。

参照MalmquistTFP指数，设Malmquist动态生态效率指数为MI。因为MI既能以t时期的技术为参照，也能以t+1时期的技术为参照，为避免因时期选择不同而造成结果上的差异，以两个时期的几何平均数衡量t到t+1时期二氧化碳产出的变化情况，如式（3）。

MI（t，t+1）=

Dt（Kt，Lt，Mt，Yt，Ct）・D（t+1）（Kt，Lt，Mt，Yt，Ct）Dt（Kt+1，Lt+1，Mt+1，Yt+1，Ct+1・Dt+1（Kt+1，Lt+1，Mt+1，Yt+1，Ct+112（3）

（Kt，Lt，Mt，Yt，Ct）和（Kt+1，Lt+1，Mt+1，Yt+1，Ct+1）分别表示t时期和t+1时期的投入产出量；Dt和Dt+1分别表示以t时期的技术T（t）和以t+1时期的技术T（t+1）为参照的生态效率的距离函数。

求解每一个地区非农用地的Malmquist生态效率动态指数时，需要以四个时期的技术为参照，采用线性规划法求四个距离函数，如式（4），其中p和q表示时期，且p，q∈（t，t+1）。

DP（Kiq，Liq，Miq，Yiq，Ciq）-1=minρ

s.t.∑Ii=1λiKip≤Kiq；∑Ii=1λiLip≤Liq；∑Ii=1λiMip≤Miq；

∑Ii=1λiYip≥Yiq；∑Ii=1λiCip=ρCiq（4）

λi≥0，i=1，2，…，I

3非农用地生态效率测算

3.1数据来源与说明

基于数据的科学性和研究需要，选取1999-2010年中国28个省区市的资本、劳动力、土地为投入，GDP为期望产出，CO2为非期望产出。海南和因数据缺失而不包括在内，重庆并入四川一起统计。因为研究对象是城市非农用地，所以资本投入量选用城镇资本存量数据，一般采取永续盘存法估计[24]，历年资本存量均折算为1952年的价格水平，单位是亿元；劳动力投入以每年年初和年末二三产业就业人数平均得到，单位是万人；建成区面积是具备城市基本功能的城市用地面积，包括了仍然发挥生态服务功能的城市园林绿地和城市绿化覆盖，将这两部分从建成区中减去，剩余部分能科学估量实际投入的城市非农用地面积，单位是公顷；期望产出选择与研究范围相对应的地区二三产业的GDP，并折算为1952年的价格水平，与资本价格水平一致，单位是万元。

CO2排放量需借助生态服务价值理论估算，并做恰当假设。覆盖农用地的植被有吸收二氧化碳的生态服务功能，这个功能会随着农地非农化而丧失，导致环境中二氧化碳的数量增加，这一增加量可视作农地非农化后产出了二氧化碳。为测算二氧化碳排出量，还需要确定在转变为非农用地前农用地的植被类型，不同类型的植被吸收二氧化碳的能力不同。一些学者估算中国古代森林覆盖率很高，凌大燮估得覆盖率达到49.6%，赵冈估计是56%，马忠良、宋朝枢和张清华（1997）估算为64%，樊宝敏和董源得到60%-64%。虽然在漫长的岁月中，同一块土地上的植被覆盖并非一成不变，但追根溯源，中国古代陆地以森林为主，而且林地是主要碳汇[25]，森林的减少会排放出大量CO2，所以假设建成区源于覆盖森林的农用地。吴庆标等估算了中国30个省区市森林每年的固碳量，结合每个地区森林覆盖面积可得各省区每年每公顷森林吸碳量，与各省区市的非农用地面积相乘即为城市非农用地CO2排放量，单位为吨。

二三产业GDP、资本投入量、劳动力数量、建成区面积、城市园林绿地面积和城市绿化覆盖面积和森林面积的数据源于《新中国六十年统计资料汇编》、历年《中国统计年鉴》、《中国城市统计年鉴》和《中国环境统计年鉴》。相关数据统计描述如表1所示。

表11999-2010年中国各地区投入

产出指标的统计描述

Tab.1Summarystatisticsaboutpaneldataofinputoutput

from1999to2010inChina

指标

Index单位

Unit最大值

Max最小值

Min中值

Median均值

Average标准差

Stdev资本存量（K）亿元23721.6196.52356.053463.473544.14劳动力（L）万人4293.62113.841098.621393.451002.16土地（T）公顷646412.191017.7233441.4839848.6242463.92GDP（Y）万元2797850.05388227.17701956.40854185.70564422.69二氧化碳（C）吨6806718.3610709.01352133.73419605.98447145.04数据来源：根据各统计资料整理获得。

3.2实证分析

利用式（3）和（4）计算1999-2010年中国28个省区市二氧化碳排放约束条件下非农用地生态效率指数（MI），计算结果如表2所示。限于表的容量，表中1999年表示1999-2000年，表中其它年份及后文图中年份表达的含义与之相同。

图1更直观地刻画了表2中三大区域非农用地生态效率变化情况。由图1可知，考虑碳排放约束条件后，东中西三个区域非农用地效率的差距不大，而且变化趋势相同，与陈福军，陈江龙、曲福田、陈雯，姜开宏、陈江龙和陈雯等学者没考虑生态约束条件时的研究结论相左，表明环境成本削弱了东部非农用地的效率优势，不支持实施区域之间土地占补平衡政策。

4城市非农用地生态效率的影响因素分析

要缓解城市化中的非农用地浪费就必须找到它的影响因素。非农用地生态效率可分解为技术进步和技术效率，二者中的任意一个发生变化，都能导致生态效率的改变。环境库兹涅茨曲线（EKC）是环境经济学的经典假设，

表21999-2010年的MI

Tab.2TheMIfrom1999to2010

地区19992000200120022003200420052006200720082009北京0.87331.18591.85160.75000.94281.35400.53842.10100.90610.25441.1937天津0.75591.06311.44340.49240.83251.00501.01031.11801.11801.38700.8616河北0.91581.03451.50861.11480.68811.03731.08350.82290.77390.87411.0679辽宁0.94251.27991.22621.74232.42930.47951.34720.91280.82571.08560.9032上海0.92170.87860.91100.67082.60490.88430.82160.99500.90000.67821.2640江苏1.09490.66051.63161.40520.65540.94791.85250.99831.11950.95460.9134浙江1.10101.19411.74771.36930.93541.00000.75250.97780.88850.98600.9250福建1.03611.31711.89741.57990.84320.94280.98350.96391.09590.90970.6589山东1.46681.17261.83711.40001.03510.92320.92230.93090.91050.85080.7434广东1.46711.30051.70872.22670.85930.31620.79060.97800.82990.89440.7255山西0.98320.97891.59860.91860.91771.35400.97890.94030.62830.75850.9639吉林0.71010.96261.76570.98161.13110.96600.89290.95940.96530.60941.3475黑龙江0.98490.97421.00001.63800.63710.94821.02200.97830.87750.77590.7071安徽0.93471.12391.10432.12440.56030.93861.28010.86641.12190.79000.6742江西1.22620.74750.95071.49061.16621.82641.45780.71930.84580.83671.0000河南1.00811.22152.46311.03770.87660.94280.88190.91950.78501.04361.0739湖北0.72071.48621.45481.84241.20100.91681.20420.92351.22130.86971.1122湖南0.60831.81851.23901.23890.94210.97981.01530.96541.00500.89331.1118内蒙古0.91771.11241.42721.04880.79771.03770.69840.95780.78950.60531.2054广西0.64130.92322.22490.98130.92311.07101.00001.03440.95120.83141.3920四川1.52751.13212.82541.58830.42342.21400.72980.91990.88810.77851.1455贵州0.46700.82530.73571.96120.92740.78952.19920.88120.82721.08101.0351云南1.03861.10631.21571.68291.78761.98650.96150.82620.89360.75531.1455陕西1.26490.84971.28451.22470.86971.18320.75160.91580.93880.87020.7098甘肃0.89891.04882.02070.73030.76381.09111.04450.98520.87250.95011.2596青海0.39303.09842.26781.13390.91290.87830.81930.86540.89560.85500.9231宁夏1.00001.29101.58111.63301.50001.00000.86600.76760.72060.80620.5505新疆0.52221.13801.88041.54920.44951.56901.03390.64870.92760.50710.8790东部①平均1.05751.10871.57631.27511.18260.88901.01021.07990.93680.88750.9257中部平均0.89701.16421.44701.40900.92901.10911.09170.90900.93130.82210.9988西部平均0.86711.25251.74631.35340.93551.28201.01040.88020.87050.80401.0245全国平均0.94371.17591.60011.34131.02191.09231.03360.95970.91150.83900.9819数据来源：计算整理获得。东部地区包括：北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东；中部包括：山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南；西部包括：内蒙古、广西、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆。

图11999-2010年三大区域MI动态变化

Fig.1DynamicchangeofMIaboutthreeWide

Regionsfrom1999to2010

阐述了经济发展与环境要素之间的关系，之后很多学者围绕这个理论作了深入研究[26-27]，所以经济发展可选为影响非农用地生态效率的因素之一；内生经济增长理论深入分析了创新能力与技术进步及技术效率三者之间的关系。通过一定的教育，人力资本不断积累，提升了个人在接收、解析和理解信息方面的能力，而且劳动者接受的教育程度越高，创新能力也越强，这势必加快技术进步，从而技术效率也会提高（李平，2007；刘凤良、高东明，2006）。创新能力既是人力资本积累的结果，也是人力资本影响效率的中间变量，所以创新能力对非农用地生态效率的影响不容忽视；土地利用强度是提高土地利用效率的因素之一，土地利用强度可以用人口密度和资本密度度量，我们选用后者；国有企业与其他企业相比，因为其应承担的社会责任，所以具有更强的保护环境的意愿，而私营企业出于利益最大化考虑，往往没有环保积极性，经济活动中的国有企业数量越多，地区的环境绩效也越好。但也有学者持相反观点。因此，经验上看，所有制结构能影响一个地区的环境绩效。对外开放度对中国的技术效率增长有极其显著的贡献，一地对外开放产生的溢出效应也可能会影响到非农用地生态效率。综上，基于已有的经济理论和研究成果，分别从经济发展、创新能力、土地利用强度、所有制结构和对外开放度五个方面分析对城市非农用地生态效率的影响，并以式（5）中的符号依次表示，该式是基于面板数据构建的影响因素回归模型，其中MI表示城市非农用地生态效率，效率值源于表1东中西部非农用地生态效率的平均值。β1、β2、β3、β4、β5是待估参数，β0为截距项，μit是随机扰动项，表3给出了变量的定义、单位及来源，数据采用东中西部相应指标的平均值。为避免出现异方差和序列相关，采用广义最小二乘法回归分析，Hausman检验表明模型应采用固定效应模型，表4列出回归结果。

MIi，t=β0+β1EPi，t+β2CPi，t+β3LDi，t+β4STRi，t

+β5OPi，t+μi，t（5）

5结论

造成温室效应的农地非农化原因需要引起足够重视。中国正处于城市化中期，农地非农化过程还将延续，提高非农用地的生态效率是减缓该过程的有效途径之一。为达到这个目标，首要解决的是找到非农用地生态效率的影响因素。为此，运用结合DEA技术的Malmquist指数模型估算出中国各省区1999-2010年考虑碳排放的非农用地生态效率；再基于经济学理论和已有研究成果，结合计量

表3回归模型中的变量选取及相关说明

Tab.3Selectionandexplanationaboutvariables

oftheregressionmodel

变量名称

Variable

name变量定义

Variable

definition单位

Unit数据来源

DataSource经济发展（EP）GDP总量/总人口万元/人创新能力（CP）科研人员总量/总就业人数%土地利用强度（LD）资本存量/非农土地面积万元/公顷所有制结构（STR）国企人数/总就业人数%对外开放度（OP）贸易总额/GDP总量%《中国统计年鉴》，《新中国六十年统计资料汇编》，《中国科技统计年鉴》。表4城市非农用地生态效率影响因素回归结果

Tab.4Theregressionresultoftheinfluencingfactors

ofurbannonagriculturallandecoefficiency

变量

Variable全国

Nationwide东部

EastChina中部

CentralChina西部

WestChina常数项2.173582***2.404993***2.563799***2.688047***EP0.002694***0.001594***0.003962***0.005570***CP1.70237412.0138811.38147*34.10690LD0.089212***0.150698***0.109754**0.058060**STR2.066837***2.521228**-2.674338*1.048164OP-1.3079112.500054-30.070196**-15.26425*调整后的R20.8313330.7654180.8488770.890629注：***、**、*分别表示1%、5%和10%的显著性水平。

经济学模型找出影响非农用地生态效率的因素，得出以下结论。

（1）经济发展对非农用地生态效率正向影响。这是因为经济发展一方面追求量的增长，另一方面注重质的提高。当经济发展到一定水平，经济体要求且技术上也有能力提高城市化中城市非农用地的生态效率。

（2）非农用地利用强度与非农用地生态效率之间正相关，而创新能力与其几乎没有相关性。创新成果并不能单独发挥作用，必须与其他生产要素相结合，才能对非农用地的生态效率产生影响。创新成果的应用，使得单位面积非农用地能承载更多的资本要素，进而带来更多的产出，提高了非农用地的利用强度，单位产出耗用的非农用地减少。

（3）对外开放度与非农用地生态效率之间负相关。虽然东部的对外开放度与非农用地生态效率之间正相关，但不显著。尽管如此，在一定程度上也表明东部提升开放度有助于非农用地效率提升，这可能因为较早开放的东部能够理性地对外交流，选择能高效率利用的资源、包括非农用地资源的项目与外商合作。而中西部开放的时间短，经济也相对落后，发展经济的迫切性导致它们在对外合作时“饥不择食”，容易造成土地浪费。

（4）所有制结构与非农用地生态效率之间可能是正向也可能负向关系。中部地区，存在大量煤炭、煤化工、稀土等资源性国有企业，土地污染严重，导致国有企业数量与非农用地生态效率之间负相关。这表明不管企业是何种所有制结构，需要有的是保护环境的社会责任感，自觉地高效利用城市非农用地的环境保护意识。

参考文献（References）

[1]WatsonRT.VerardonDJ.LanduseChangeandforestry[M].London：CambridgeUniversityPress，2000.

[2]HoughtonRA.ReleasesofCarbontotheAtmospherefromDegradationofForestsinTropicalAsia[J].CanJ.ofForestResearch，1991，（21）：132-142.

[3]宋戈，吴次芳，王杨.城镇化发展与耕地保护关系研究[J].农业经济问题，2006，（1）：64-67.[SongGe，WuCifang，WangYang.UrbanizationandProtectionofFarmland[J].IssuesinAgriculturalEconomy，2006，（1）：64-67.]

[4]李功奎，钟甫宁.农地细碎化、劳动力利用与农民收入――基于江苏省经济欠发达地区的实证研究[J]，中国农村经济，2006，（4）：42-48.[LiGongkui，ZhongFuning.FarmlandFragmentation，LaborUtilization，andFarmer’sIncome：TakingtheCaseofEmpiricalStudyonUndevelopedRegionofJiangsuProvince[J]，ChineseRuralEconomy，2006，（4）：42-48.]

[5]蔡基宏.关于农地规模与兼业程度对土地产出率影响争议的一个解答――基于农户模型的讨论[J].数量经济技术经济研究，2005，（3）：28-37.[CaiHongji.AnAnswertotheDebateupontheRelationshipbetweenFarmProductivityandFarmSizeandSidelineActivity[J].Quantitative&TechnicalEconomics，2005，（3）：28-37.]

[6]夏庆利，罗芳.土地利用效率影响因素分析――基于湖北的调查[J].农业经济题，2012，（5）：15-21.[XiaQingli，LuoFang.EmpiricalAnalysisontheInfluencingFactorsofLandUseEfficiencyandPolicySuggestions：TakingtheCaseofHubeiProvince[J].IssuesinAgriculturalEconomy，2012，（5）：15-21.]

[7]陈江龙，曲福田，陈雯.农地非农化效率的空间差异及其对土地利用政策调整的启示[J].管理世界，2004，（8）：37-43.[ChenJianglong，QuFutian，ChenWen.TheDissimilarityinSpaceoftheNonagriculturalEfficiencyofFarmland，andItsInspirationtothePolicyAdjustmentofUseofLand[J].ManagementWorld，2004，（8）：37-43.]

[8]姜开宏，陈江龙，陈雯.比较优势理论与区域土地资源配置――以江苏省为例[J].中国农村济，2004，（12）：16-21.[JiangKaihong，ChenJianglong，ChenWen.ComparativeAdvantageTheoryandRegionalLandResourcesAllocation：TaketheCaseofJiangsuProvince[J].ChineseRuralEconomy，2004，（12）：16-21.]

[9]谭荣，曲福田.中国农地非农化与农地资源保护：从两难到双赢[J].管理世界，2006，a（12）：50-59.[TanRong，QuFutian.ChineseFarmlandConversionandAgriculturalLandProtection：fromTwoDifficulttoDoubleWins[J].ManagementWorld，2006，a（12）：50-59.]

[10]谭荣，曲福田.农地非农化的空间配置效率与农地损失[J].中国软科学，2006，b（6）：49-57.[TanRong，QuFutian.SpatialAllocationEfficiencyofFarmlandConversionandFarmlandResourceLossinChina[J].ChinaSoftScience，2006，b（6）：49-57.]

[11]JollandsN.AnEcologicalEconomicsofEcoefficiency：Theory，InterpretationsandApplicationstoNewZealand[D].Ph.DThesis，2003，MasseyUniversity.

[12]KuosmanenT，KortelainenM.MeasuringEcoefficiencyofProductionwithDataEnvelopmentAnalysis[J].JournalofIndustrialEcology，2005，9（4）：59-721.

[13]KuosmanenT，CherchyeL，SiplinenT.TheLawofOnePriceinDataEnvelopmentAnalysis：RestructuringWeightFlexibilityacrossFirms[J].EuropeanJournalofOperationalResearch，2006，170（3）：735-757.

[14]KortelainenM.DynamicEnvironmentalPerformanceAnalysis：AMalmquistIndexApproach[J].EcologicalEconomics，2008，64（4）：701-715.

[15]杨文举.中国地区工业的动态环境绩效：基于DEA的经验分析[J].数量经济技术经济研究，2009，（6）：87-98.[YangWenju.TheDynamicEnvironmentalPerformanceofRegionalIndustryinChina：AnEmpiricalAnalysiswithDEA[J].TheJournalofQuantitative&TechnicalEconomics，2009，（6）：87-98.]

[16]王群伟，周鹏，周德群.我国二氧化碳排放绩效的动态变化、区域差异及影响因素[J].中国工业经济，2010，（1）：45-54.[WangQunwei，ZhouPeng，ZhouDequn.ResearchonDynamicCarbonDioxideEmissionsPerformance，RegionalDisparityandAffectingFactorsinChina[J].ChinaIndustrialEconomics，2010，（1）：45-54.]

[17]ChungYH，FareR，GrosskopfS.ProductivityandUndesirableOutputs：ADirectionalDistanceFunctionApproach[J].JournalofEnvironmentalManagement，1997，51（3）：229-240.

[18]FareR，GrosskopfS，PasurkaJrCA.EnvironmentalProductionFunctionsandEnvironmentalDirectionalDistanceFunctions[J].Energy，2007，32（7）：1055-1066.

[19]ZhouP，AngBW，PohKL.MeasuringEnvironmentalPerformanceunderDifferentEnvironmentalDEATechnologies[J].EnergyEconomics，2008，30（1）：1-14.

[20]CavesDW，ChristensenLR，DiewertWE.MultilateralComparisonsofOutput，InputandProductivityUsingSuperlativeIndexNumbers[J].EconomicJournal，1982，a（92）：73-86.

[21]CavesDW，ChristensenLR，DiewertWE.TheEconomicTheoryofIndexNumbersandtheMeasurementofInput，OutputandProductivity[J].Econometrica，1982，b（50）：1393-1414.

[22]FareR，GrosskopfS，NorrisM，ZhangZ.ProductivityGrowth，TechnicalProgressandEfficiencyChangeinIndustrializedCountries[J].AmericanEconomicReview，1994，84（1）：66-83.

[23]TytecaD.OntheMeasurementoftheEnvironmentalPerformanceofFirms：ALiteratureReviewandaProductiveEfficiencyPerspective[J].JournalofEnvironmentalManagement，1997，46（3）：281-308.

[24]单豪杰.中国资本存量K的再估算：1952-2006年[J].数量经济技术经济研究，2008，（10）：17-31.[ShanHaojie.ReestimatingtheCapitalStockofChina：1952-2006[J].TheJournalofQuantitative&TechnicalEconomics，2008，（10）：17-31.]

[25]李颖，黄贤金，甄峰.江苏省区域不同土地利用方式的碳排放效应分析[J].农业工程学报，2008，24（2）：102-107.[LiYing，HuangXianjin，ZhenFeng.EffectsoflandUsePatternsonCarbonEmissioninJiangsuProvince[J].TransactionsoftheChineseSocietyofAgriculturalEngineering，2008，24（2）：102-107.]

[26]王崇梅.中国经济增长与能源消耗脱钩分析[J].中国人口・资源与环境，2010，20（3）：35-37.[WangChongmei.DecouplingAnalysisofChinaEconomicGrowthandEnergyConsumption[J].ChinaPopulation，ResourcesandEnvironment，2010，20（3）：35-37.]

[27]符淼，黄灼明.我国经济发展阶段和环境污染的库兹涅茨关系[J].中国工业经济，2008，（6）：35-43.[FuMiao，HuangZhuoming.TheKuznetsRelationshipbetweenEconomicDevelopmentStagesandEnvironmentalPollutioninChina[J].ChinaIndustrialEconomics，2008，（6）：35-43.]

UrbanNonagriculturalEcoefficiencyandAffectingFactorsBasedonCarbonEmission

CUIWei1MIAOJianjun1YANGJing2

（1.SchoolofEconomicsandManagement，NanjingUniversityofAeronautics&Astronautics，NanjingJiangsu211100，China；

2.SchoolofBusinessAdministration，NanjingUniversityofFinance&Economics，NanjingJiangsu210046，China）

碳排放的影响因素范文篇2

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（SpatialLagModel，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（SpatialErrorModel，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’sI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’sI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’sI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1Moran’sI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’sI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.

碳排放的影响因素范文1篇3

近百年来，全球气候正经历以变暖为主要特征的显著变化。为应对气候变化，减少温室气体排放已经成为国际社会的共识。作为世界上最大的发展中国家和最大的二氧化碳排放国之一，应对气候变化离不开中国的参与。2010年8月，中国国家发展和改革委员会确定在陕西、广东、辽宁、湖北、云南五省开展低碳试点工作。本文以这五个省份为研究对象，根据1995-2009年统计年鉴数据，基于STIRPAT模型定量分析了人口规模、城市化水平、富裕度、产业结构和能源强度对碳排放的影响，并根据分析的结果给出了五个低碳试点省份低碳发展路径：陕西省建设低碳省份应该从产业结构和能源强度两方面入手；广东省除控制人口规模外，还应该调整能源结构，倡导低碳生活方式；辽宁省降低碳排放主要应该从能源强度方面入手；湖北省应该从能源强度、产业结构和人口规模三个方面着手；云南省主要应该从人口规模入手，控制人口增长，提高人口素质,实现碳减排目标。

关键词STIRPAT模型；低碳试点省份；发展路径

中图分类号X321

文献标识码A

文章编号1002-2104(2012)03-0056-07

doi:103969/jissn1002-2104201203.010

近百年来，全球气候正经历以变暖为主要特征的显著变化［1］。最新科学研究表明未来100年全球变暖的趋势还会进一步加剧，而且会对自然系统和社会经济产生更为显著的负面影响［2］。为应对气候变化，减少温室气体排放、进行低碳发展已经成为国际社会的共识。如何有效地减少碳排放成为国际政治、经济及学术研究关注的热点之一［2］。中国是世界上最大的发展中国家，应对气候变化离不开中国的参与。中国经济改革取得了举世瞩目的成就，经济在迅猛发展的同时也加大了对能源的需求［3］。高的能源消费和以煤炭为主体的能源结构必然带来大量的碳排放。国际能源机构的数字显示，2007年中国人均碳排放量虽然不到美国的1/3，但首次超过世界平均水平［4］。作为一个负责任的大国，在2009年“哥本哈根”气候变化大会上，总理代表中国政府承诺到2022年单位GDP碳强度比2005年降低40-45%。而且，碳排放目标已经作为约束性指标被写入《中华人民共和国国民经济和社会发展第十二个五年规划纲要》。根据此纲要，中国在“十二五”期间单位国内生产总值能源消耗要降低16%，单位国内生产总值二氧化碳排放要降低17%［5］。由此可见中国政府降低二氧化碳排放的决心之大。

同时，为减少碳排放，在地区层面，中国政府已经开始了低碳发展路径的探索。2010年8月，国家发展和改革委员会确定首先在在陕西、广东、辽宁、湖北、云南五省和天津、重庆、深圳、厦门、杭州、南昌、贵阳、保定八市开展低碳试点工作，要求其编制低碳发展规划，制定支持低碳绿色发展的配套政策，加快建立以低碳排放为特征的产业体系，建立温室气体排放数据统计和管理体系，积极倡导低碳绿色生活方式和消费模式［6］。然而，试点工作进展并不顺利，很多省市都没有明确的低碳发展目标和成熟的低碳发展政策。

因此，为制定切实有效的政策，促进试点工作的顺利开展，需要对影响各地区碳排放量的关键因素进行分析。目前，分析的方法有很多，如协整、多元线性回归、灰色关联度分析、系统分析法和STIRPAT模型等。其中，STIRPAT模型是一个应用广泛、非常成熟的环境压力评价模型［3］，已经获得业内的认可。本文通过STIRPAT模型，定量分析了影响低碳试点省份碳排放量的关键因素，并根据分析的结果，对不同省份的低碳发展路径提出政策建议以促进低碳试点工作的开展。

1方法说明

1.1碳排放量计算

在气候变化研究中碳排放量的测算比较复杂。由于没有官方公布的统计数据，一般只能基于已有的其他统计量，初略估算化石能源（煤炭、石油、天然气）使用所产生的碳排放量［7］。同时，人类活动造成的碳排放主要是由化石能源消费引起的，其排放量占总排放量的大部分。在工业化国家，能源消费碳排放占其碳排放总量的90%以上［8］。因此，基于计算的简便和数据的可获得性，本文中使用能源消费的碳排放量来代表总的碳排放量。考虑到由于各个省份能源消费量统计标准不同而造成的碳排放计算的差异，且个别省份缺乏能源消费分类数据［8］，本文利用各年份分地区煤炭、焦炭、5种油品（原油、汽油、煤油、柴油、燃料油）、天然气的消费量估算碳排放量。但这些能源指标都是实物量，需要将这些指标根据折标煤系数（见表1）换算成标准量，再根据以下公式估算：

C=∑iEi×Fi(1)

式中，Ei为第i种能源的消费标准量，Fi为第i种能源的碳排放系数。本文碳排放系数选用IPCC碳排放计算指南缺省值。

1.2STIRPAT模型

Ehrlich和Holdren认为人口总量是最重要的环境影响因素，并于1971年提出了

IPF模型［11］。其中，I(Impact)表示环境影响；P(Populaton)表示人口总量；F(Foot)

表示单位人口产生的环境影响。但Commoner认为人口总量对环境的影响并不显著，

环境影响等同于污染物排放量［11］。Ehrlich和Holdren指出了Commoner观点中存在

的一系列问题，指出除了污染物排放量，环境影响还应包括污染物排放引起的其它破

坏(例如，向空气中排放SO2会导致酸雨的形成，腐蚀建筑物)［11］。他们在研究人口

增长对环境的冲击时，认为除了人口总量，环境影响还与社会富裕程度及社会生产技

术的先进程度有关，并于1972年正式提出IPAT模型。模型形式是I=PAT，其中I、

P、A、T分别表示环境压力、人口规模、富裕度和技术水平。

环境压力等式本身存在一些局限，其将环境影响与各个驱动力之间的关系简单地

处理为同比例的线性关系，不能反映出驱动力变化时环境影响的变化程度。因此，为

了能够衡量某一因素的对环境压力的影响程度，Dietz和Rose等［12］在IPAT的基础上

提出了本文中使用的STIRPAT(Stochasticimpactsbyregressiononpopulation，affluence

andtechnology)模型，其具体形式是：

I=aPbAcTde(2)

式中，a为模型的系数，b、c、d是各自变量的指数，e是模型误差。当a=b=c=d=1时，STIRPAT模型即为环境压力恒等式［13］。

对式(2)两边取自然对数，得到一个多元线性回归方程：

InI=lna+blnP+clnA+dlnT+lne(3)

根据弹性系数概念,P、A、T每发生1%变化,将分别引起I发生b%、c%或d%的变化［14］。

在对STIRPAT模型的应用中，不少学者根据实际需要式(3)其进行了修正。朱勤等在分析人口与消费对中国碳排放影响时，将人口城市化率引入模型，对模型进行了扩展［15］。燕华、郭运功和林逢春研究上海市CO2排放影响的因素，为分析城市化水平的影响，将城市人口占总人口的比例引入模型，对式(3)中的P、A进行了分解；同时在式(3)中加入了富裕度的二项式形式来验证环境库兹涅茨曲线的有关假说［13］。王立猛和何康林分析区域人文驱动力对环境的影响，为验证环境库兹涅茨曲线，将式(3)中自变量lnA分解为lnA和(lnA)2两项；同时将T包括在误差项中，而不再单独进行估计［14］。渠慎宁和郭朝先在基于STIRPAT模型的中国碳排放峰值研究中，同样加入了富裕度的二项式形式并对技术T进一步分解，考虑产业结构等变量对碳排放量的影响［16］。姜磊和季民河在进行中国区域能源压力的空间差异分析中，发现技术指标难以刻画，考虑到能源消费的主体是第二产业，所占比重在70%以上，受国家宏观调整影响比较明显，将技术变量T改为第二产业比重［17］。

同样，根据研究的需要，不同学者对式(2)中变量I、P、A、T赋予了不同的定义。燕华、郭运功和林逢春定义I为碳排放量，P为人口数量，A为人均GDP，T为单位GDP能耗。渠慎宁和郭朝先在研究中也对I、P、A赋予了相同的定义，但定义T为单位GDP碳排放量。朱勤、彭希哲和陆志明等定义A为人均消费额，其余因素不变。王立猛和何康林则是定义I为能源消费总量，T为能源强度。

因此，在本文中，基于实际研究的需要和数据的可获得性，在式(3)的基础上加入了富裕度的二项式形式并对P和T进行了分解，引入了城市化变量U和产业结构变量C，所以本文的分析模型为：

lnI=lna+b1lnP+b2lnU+c1lnA+c2(lnA)2+d1lnC+d2lnT+lne(4)

式中各变量的定义如表2所示。

如果对式(4)进行求lnA的一阶偏导数,可以得到富裕度对环境压力的弹性系数为

c1+c2lnA［13］。

2实证分析

2.1数据处理

本文所使用的能源消费数据来自《中国能源统计年鉴1996-2010》。其他数据来自各省2010年的统计年鉴。湖北省统计资料中没有人口农业和非农业构成，所以用城镇人口占常住人口的比例来表示U。GDP和其他所有受价格波动影响的数据按1995年不变价计算。

2.2数据拟合

由于模型存在多重共线性，本文采用岭回归(ridgeregression)的方法对模型进行拟合。岭回归就是一种专门用于共线性数据分析的有偏估计回归方法，它实际上是一种改良的最小二乘法，通过在自变量标准化矩阵的主对角线元素上人为地加入一个非负因子k，放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价来寻求效果稍差但回归系数更符合实际的回归方程［18］。

根据拟合的结果，广东省k值取0.08，湖北k值取0.11，云南省k值取0.05，其余两省k值均取0.02。此时，各个变量的系数如表3、表4所示。

3结果分析与讨论

3.1各省份历史碳排放情况分析

根据式(1)和表1的内容，本文计算了各低碳试点省份1995-2009年的排放总量。如图1所示。

从图1可以看到，所有的低碳试点省份按碳排放总量由多到少排列，依次为辽宁省、广东省、湖北省、陕西省和云南省。而且，从2000年开始，碳排放增长速度加快。

同样，根据排放总量计算的结果和各低碳试点省份以1995年为基准年的GDP数据，可以计算出各低碳试点省份1995-2009年碳排放强度的变化情况，见图2。

从图2中可以看出，广东省的碳强度远低于其他省份，且变化幅度不大，其在低碳发展方面走在前列。辽宁省初始碳强度很高，但在1995-2009年间一直保持了较快的下降速度，到2009年已经与云南省的碳强度持平，碳强度从3.5吨碳/万元下降到1.5吨碳/万元，降低幅度很大，表明辽宁省的低碳发展方面作出了卓有成效的工作。湖北省的碳强度在1995-2009年间基本保持了下降的态势。

陕西和云南两省初始碳强度下降很快，但是在2000年开始反弹，碳强度开始增加，分别在2004和2005年达到峰值，而后开始下降。这表明两省在低碳发展方面还需要进一步的努力。

3.2数据拟合结果分析

从表3中可以看到，各省的拟合结果均在0.001的水平上显著且R2都在0.95以上，表明当前的拟合结果能够对各省的碳排放情况进行很好的说明。

从表4中可以看到，在所有的低碳试点省份中，人口规模对碳排放影响最大是云南省，影响的弹性系数为2.734，且在0.001的水平上显著；其次是湖北省和广东省，弹性系数分别为1.876和1.109，在0.05的水平上显著。其余省份，人口规模因素没有通过显著性检验，其对碳排放的影响不显著。

城市化水平对碳排放影响最大是辽宁省，影响的弹性系数为2.668，且在0.001的水平上显著；其次是陕西省，弹性系数为1.119，在0.01的水平上显著。其余省份，城市化水平因素的弹性系数都小于0.5且没有通过显著性检验，其对碳排放的影响不显著。

富裕度因素变量c1和c2都在0.001的水平上显著，说明在所有低碳试点省份中，人均GDP都对碳排放有显著影响。随着人均GDP的增长，生活水平的提高，碳排放的增加不可避免。目前从总量上降低碳排放是不现实的，只能控制增长速度，从降低碳强度方面入手。

将各低碳试点省份1995-2009年GDP的数据带入c1+c2lnA，可以计算出人均GDP即富裕度因素对碳排放的弹性系数，见表5。

从表4可以看到，c2没有出现负值。而且，从表5中可以看到，随着人均GDP的逐年增长，人均GDP对碳排放的弹性系数也在逐渐增加，环境库兹涅茨曲线没有出现。而且，富裕度因素对碳排放影响最大的是云南省，其次为广东省和陕西省，最后为辽宁省和湖北省。

产业结构对碳排放影响最大是陕西省，影响的弹性系数为1.535，其次是湖北省，弹性系数为1.229，且两者都在0.01的水平上显著。其余省份，产业结构变量没有通过显著性检验，对碳排放的影响不显著。

能源强度对碳排放影响最大是云南省，弹性系数为1.567。其次为湖北、陕西和辽宁，弹性系数依次为0.521、0.458和0.419。其余省份能源强度变量没有通过显著性检验，对碳排放的影响不显著。

3.3各低碳试点省份发展路径探讨

3.3.1陕西省

从表3中可以看到，对陕西省碳排放有显著影响到因素是城市化水平、人均GDP、产业结构和能源强度。其中，产业结构的影响最大，其次为人均GDP、城市化水平和能源强度。然而人均GDP的增长和城市化进程的加快是当前社会发展的必然趋势。因此，陕西省建设低碳省份应该首先从产业结构入手，在保持工业必要增长的同时，大力发展第三产业。陕西省位于关中平原，风景秀丽，历史遗迹众多，旅游资源丰富，应该充分利用这一资源，集中资源发展旅游产业，打造全国乃至世界知名的旅游品牌，并通过其发展带动酒店、餐饮、客运等相关行业的发展，从而推动整个社会经济的发展。其次，陕西省还要努力提高对学校、科研单位的投入，推进技术创新，对工业进行技术升级改造，提高生产效率和能源利用水平，加大高新技术产业的引进力度，建设高新技术产业园区。

3.3.2广东省

从表3可以看出，对广东省碳排放有显著影响的是人均GDP和人口规模。降低碳排放不能以降低人们的生活水平为代价。因此，广东省建设低碳省份应该从人口入

手，控制人口增长，控制人口流入，加快优秀人才的引进力度，提高人口素质。根据广东统计年鉴，2009年广东省人口数量为8365.98万人，是所有低碳试点省份中人口最多的。为满足大量的人口的生活需要，大量资源被消费，碳排放显著增加。所以，控制人口规模是抑制碳排放增长的一个重要手段。除了本文所考虑的五个因素之外，碳排放也和能源结构密切相关，广东省应该调整能源结构，提高可再生能源在能源消费中的比重。根据《广东省十二五规划纲要》，到2015年，非化石能源占一次能源消费的比重将达到20%。广东作为我国改革开放的前沿，思想解放，因此广东省应该大力倡导低碳生活方式。在不降低生活水平的情况下，减少碳排放。完善低碳发展标准认证体系，研究建立低碳产品标识、认证制度。

3.3.3辽宁省

从图1和图2可以看出，辽宁省碳排放总量很大，但其碳强度却不断下降。从表3和表5可以看出，对辽宁省碳排放影响最大的是城市化水平，其次是人均GDP和能源强度。当前，加快城市化进程，提高人民生活水平是政府的主要任务。因此，辽宁省建设低碳省份应该主要从降低碳强度方面入手。辽宁省是我国著名的老工业基地，历史悠久，工业企业众多。然而大部分企业的设备老旧，生产工业落后，与世界先进水平有很大的差距。所以，淘汰落后工艺、引进世界先进技术、对产业进行升级改造是当前的首要工作。在此基础上，还应该进一步加大对科研的投入，以新技术、新方法为先导，创建一批国内国际知名度研究院所。

3.3.4湖北省

从表3可以看出，除城市化水平外，其余因素都对湖北省碳排放有显著的影响，影响程度按从大到小排列依次为人均GDP、能源强度、产业结构和人口规模。因此，湖北省建设低碳省份，应该首先要降低能源强度。通过技术升级改造和引进先进工艺来提高生产效率，提高能源利用水平。其次要调整产业结构，充分利用湖北的地理优势，大力发展物流行业，以此推动整个第三产业的发展。最后，要控制人口增长，控制努力引进优秀人才，提高人口素质。

3.3.5云南省

同样，根据表3的内容，对云南省碳排放有显著影响的因素是人均GDP、人口规模和能源强度。因此，云南省的低碳发展应该以降低人口规模为主要内容，控制人口增长，提高人口素质和受教育程度。同时，云南省位于我国西南边陲，气候湿润温和，生物资源丰富。所以，要保护环境，不能以重工业为发展目标，应该发展烟草等轻工业和高附加值的高新技术产业，提高产品的科技含量，提高能源利用效率。

4结论

（1）所有的低碳试点省份按碳排放总量由多到少排列，依次为辽宁省、广东省、湖北省、陕西省和云南省。在碳强度方面，广东省最低，辽宁省降低幅度最大，其余省份碳强度在2000年后有起伏。

（2）人口规模对碳排放影响最大是云南省，其次为湖北省和广东省。城市化水平影响最大的是辽宁省，其次是陕西省。产业结构因素影响最大的是陕西省，其次是湖北省。能源强度影响最大的是云南省，其次是湖北陕西和辽宁省。随着人均GDP的逐年增长，人均GDP对碳排放的弹性系数也在逐渐增加，环境库兹涅茨曲线没有出现。而且，富裕度因素对碳排放影响最大的是云南省，其次为广东省和陕西省，最后为辽宁省和湖北省。

（3）陕西省建设低碳省份应该从产业结构和能源强度两方面入手；广东省除控制人口规模外，还应该调整能源结构，倡导低碳生活方式；辽宁省降低碳排放主要应该从能源强度方面入手；湖北省应该从能源强度、产业结构和人口规模三个方面着手；云南省主要应该从人口规模入手，控制人口增长，提高人口素质,实现碳减排目标。

参考文献(References)

［1］石龙宇,崔胜辉.气候变化对城市生态系统的影响研究进展［J］.环境科学与技术,2010,33(6E):193-197.［ShiLongyu,CuiShenghui.ResearchProgressofClimateChangeEffectsonUrbanEcosystem［J］.EnvironmentalScience&Technology,2010,33(6E):193-197.］

［2］王微,林剑艺,崔胜辉，等.碳足迹分析方法研究综述［J］.环境科学与技术,2010,33(7):71-78.［WangWei,LinJianyi,CuiShenghui,etal.AnOverviewofCarbonFootprintAnalysis.EnvironmentalScience&Technology,2010,33(7):71-78.］

［3］姜磊，季民河.基于STIRPAT模型的中国能源压力分析：基于空间计量经济学模型的视角［J］.地理科学,2011,31(9):1072-1077.［JiangLei,JiMinhe.China’sEnergyStressBasedontheSTIRPATModel:ASpatialEconometricPerspective［J］.ScientiaGeographicaSinica,2011,31(9):1072-1077.］

［4］肖黎姗,王润,杨德伟，等.中国省际碳排放极化格局研究［J］.中国人口•资源与环境,2011,21(8):30-36.［XiaoLishan,WangRun,YangDewei,etal.ThePolarizationPatternofCarbonEmissioninChina’sProvinces［J］.ChinaPopulationResourcesandEnvironment,2011,21(8):30-36.］

［5］中华人民共和国国民经济和社会发展第十二个五年规划纲要［N］.人民日报,2011-03-16.［ThePeople’sRepublicofChinaNationalEconomicandSocialDevelopmentTwelfthFiveYearPlan［N］.ThePeople’sDaily,2011-03-16.］

［6］中华人民共和国发展和改革委员会.国家发展改革委关于开展低碳省区和低碳城市试点工作的通知［EB/OL］.［NationalDevelopmentandReformCommission.TheNoticeaboutPilotWorkofLowcarbonProvincesandLowcarbonCitiesbyNationalDevelopmentandReformCommission［EB/OL］.sdpc.省略/zcfb/zcfbtz/2010tz/t20100810_365264.htm.］

［7］蒋金荷.中国碳排放量测算及影响因素分析［J］.资源科学,2011,33(4):597-604.［JiangJinhe.AnEvaluationandDecompositionAnalysisofCarbonEmissionsinChina［J］.ResourcesScience,2011,33(4):597-604.］

［8］刘竹,耿涌,薛冰，等.中国低碳试点省份经济增长与碳排放关系研究［J］.资源科学,2011,33(4):620-625.［LiuZhu,GengYong,XueBing,etal.RelationshipsbetweenEconomicGrowthandCO2EmissionsforLowCarbonPilotProvincesinChina［J］.ResourcesScience,2011,33(4):620-625.］

［9］赵敏,张卫国,俞立中.上海市能源消费碳排放分析［J］.环境科学研究,2009,22(8):984-989.［ZhaoMin,ZhangWeiguo,YuLizhong.CarbonEmissionsfromEnergyConsumptioninShanghaiCity［J］.ResearchofEnvironmentalSciences,2009,22(8):984-989.］

［10］GB/T2589-2008,综合能耗计算通则［S］.［GB/T2589-2008,GeneralPrinciplesforCalculationofComprehensiveEnergyConsumption［S］.］

［11］陈庆，周敬宣，李湘梅.基于STIRPAT模型的武汉市环境影响驱动力分析［J］.长江流域资源与环境，2011,20(Z1):100-104.［ChengQing,ZhouJingxuan,LiXiangmei.AnalysisontheDrivingForceofEnvironmentalImpactinWuhanBasedonSTIRPATModel［J］.ResourcesandEnvironmentintheYangtzeBasin,2011,20(Z1):100-104.］

［12］DietzT,RosaEA.RethinkingtheEnvironmentalImpactsofPopulation,Affluence,andTechnology［J］.HumanEcologyReview,1994,（1）:277-300.

［13］燕华,郭运功,林逢春.基于STIRPAT模型分析CO2控制下上海城市发展模式［J］.地理学报,2010,65(8):983-990.［YanHua,GuoYungong,LinFengchun.AnalyzingtheDevelopmentModelofChineseCitesundertheControlofCO2EmissionsUsingtheSTIRPATModel:ACaseStudyofShanghai［J］.ActaGeographicaSinica,2010,65(8):983-990.］

［14］王立猛,何康林.基于STIRPAT模型的环境压力空间差异分析：以能源消费为例［J］.环境科学学报,2008,28(5):1032-1037.［WangLimeng,HeKanglin.AnalysisofSpatialVariationsinEnvironmentalImpactBasedontheSTIRPATModel:ACaseStudyofEnergyConsumption［J］.ActaScientiaeCircumstantiae,2008,28(5):1032-1037.］

［15］朱勤,彭希哲,陆志明，等.人口与消费对碳排放影响的分析模型与实证［J］.中国人口•资源与环境,2010,20(2):98-102.［ZhuQin,PengXizhe,LuZhiming,etal.AnalysisModelandEmpiricalStudyofImpactsfromPopulationandConsumptiononCarbonEmissions［J］.ChinaPopulationResourcesandEnvironment,2010,20(2):98-102.］

［16］渠慎宁,郭朝先.基于STIRPAT模型的中国碳排放峰值预测研究［J］.中国人口•资源与环境,2010,20(12):10-15.［QuShenning,GuoChaoxian.ForecastofChina’sCarbonEmissionsBasedonSTIRPATModel［J］.ChinaPopulationResourcesandEnvironment,2010,20(12):10-15.］

［17］姜磊,季民河.中国区域能源压力的空间差异分析：基于STIRPAT模型［J］.财经科学,2011,(4):64-70.［JiangLei,JiMinhe.SpatialDifferenceAnalysisofRegionalEnergyPressuresinChina:BasedonSTIRPATModel［J］.Finance&Economics,2011,(4):64-70.］

［18］张文彤.SPSS统计分析高级教程［M］.北京:高等教育出版社,2004.［ZhangWentong.HighlevelTutorialofSPSSStatisticalAnalysis［M］.Beijing:HigherEducationPress,2004.］

AnalysisofDevelopmentPathforLowCarbonPilotProvincesinChina

LIUJian1WANGRun1,2SUNYanwei1SHUSheyu1XIAOLishan1,2

(1.KeyLabofUrbanEnvironmentandHealth,InstituteofUrbanEnvironment,ChineseAcademyof

Sciences,XiamenFujian361021,China;

2.XiamenKeyLabofUrbanMetabolism,XiamenFujian361021,China)

AbstractTomitigateclimatechange,reducinggreenhousegasemissionshasbecometheconsensusoftheinternationalcommunity.AsthelargestdevelopingcountryandoneofthelargestemittersofCO2intheworld,Chinahasparticipatedactivelyintheactionofmitigatingclimatechange.Inthisstudywetrytoexplorelowcarbondevelopmentpathsfor5provinces,namelyShaanxi,Yunnan,Guangdong,Liaoning,andHubeiinChina,whichwereassignedasnationalpilotprovincesforlowcarbondevelopmentbytheNationalDevelopmentandReformCommissioninAugust2010.Basedonthedatafrom1995to2009,aquantitativeanalysisofcarbonemissionsin5pilotprovincesareconductedinvolving5factorssuchaspopulation,urbanization,wealth,industrialstructureandenergyintensityinSTIRPATmodel.Theresultsshow:Shaanxishouldfocusonindustrialrestructuringanddecreasingenergyintensity.Inadditiontocontrollingpopulationgrowth,Guangdongprovinceshouldoptimizetheenergystructureandadvocatealowcarbonlifestyle.LoweringenergyintensityshouldbethemainmeasuretoreducecarbonemissionsinLiaoning;reducingenergyintensity,optimizingindustrialstructureandcontrollingpopulationgrowthplayanimportantroleonthepathtolowcarbondevelopmentforHubei;Yunnanshouldmakegreateffortincontrollingpopulationgrowthaswellasimprovingpopulationqualityinordertorealizeitscarbonemissiontarget.

KeywordsSTIRPATmodel;lowcarbonpilotprovinces;developmentpath

收稿日期：2011-10-22

作者简介：刘健，博士生，主要研究方向为气候变化适应性政策和技术。

碳排放的影响因素范文篇4

关键词：电动汽车；交通工具；低碳经济；碳减排潜力；影响因素；节能减排文献标识码：A

中图分类号：X22文章编号：1009-2374（2015）04-0095-02DOI：10.13535/ki.11-4406/n.2015.0329

现如今全球变暖已经成为国际性的问题，温室效应已经引起了国际社会的普遍关注。从国际社会对环境相关问题进行讨论与签订的协议中不难看出，碳减排已经成为各国政府事务中重要的议题。从国际实际情况来看，交通运输的能源的消耗与碳排放量是重点行业。无论是发达国家还是欠发达地区，交通运输能源消耗量与碳排放量首居前列。交通运输能源的消耗与碳排放是造成全球温室效应的主要因素。而从交通部门的统计结果中不难看出，汽车、火车、轮船以及飞机所排放的燃料气体是造成温室效应的主要原因之一。近年来，全球碳排放量持续增加，而交通运输工具的碳排放量的增长率超过了二氧化碳的总排放量。在全球经济不断完善与建设的过程中，控制交通工具碳排放量已经是一项刻不容缓的工作。但是，找出交通工具碳排放量的因素已经显得非常急迫。

1碳减排量与影响因素

在我国节能减排不断推行的过程中，发展电动汽车具有重要的意义。在交通工具选择方面，电动汽车利用能源率较传统燃油汽车高出许多，并且具有20%～70%的二氧化碳减排潜力。在电动汽车使用的过程中，影响碳减排潜力的因素有多种。在节能减排措施推行中，分析影响电动汽车碳减排潜力具有重要的意义。

1.1发电能源结构影响碳减排潜力

在经济结构不断发生变化的过程中，发电能源结构也在不断地发生变化。发电能源不断发生变化，人们生产生活中使用能源的结构也在不停变换。使用能源的不断变化导致二氧化碳的排放系数也在变化。从我国2010年能源结构可知，在2015年我国能源结构的使用情况更完善，同时二氧化碳的排放系数也在不断减少。从这就可以看出，发电能源结构在一定程度上已经决定了单位电量二氧化碳的排放。我国大部分的电力由火力发电产生，但是，区域能源结构主要取决于其地理位置。纵观我国各大中小城市能源情况可知，发电结构主要由新能源、煤炭以及天然气与可再生能源等多种能源组成。以北京城市为例，在采取相应的改进措施后，2010年北京单位碳排放量系数正逐渐降低。在此情况下，推广纯电动汽车的使用，并对其碳排放量与减排潜力进行比较。在对相关模型改进后，电网能源结构更合理，所计算的碳排放量更具科学性。由此可知，纯电动汽车运行时生命周期碳排放空间比电网能源结构的影响较为明显，电网能源结构是影响电动汽车碳排放以及减排潜力的主要因素之一。

1.2车用燃料的影响

将北京作为本次实验研究的城市，将北京投运的纯电动汽车为主要的研究对象。依据本次研究活动，促使在城区参与本次活动的纯电动出租汽车达到500辆。对汽车运行的里程、百公里内能源的消耗进行控制，对计算出纯电动汽车行驶的生命周期和碳减排潜力数据分析。在众多车用燃料中，相关的燃料所排出的二氧化碳各不相同。依据本次的实验结果可知，车用燃料直接影响单位燃料二氧化碳的排放系数。对于使用燃油的汽车而言，其碳排放量系数大于汽油碳排放量系数。在对相关的数据进行修正后，可以发现其减排的空间有所

减少。

1.3汽车类型的影响

现如今，在居民生活水平不断提高的过程中，人们的追求越来越高。在此过程中，由于城市发展的趋势与城市发展的进程不同。因而每个城市所用的汽车类型也不相同。二氧化碳是汽车碳排放量的主要气体之一。不同类型的汽车其碳排放量的情况也不相同。

在将纯电动汽车作为研究对象的过程中，同时将出租汽车与公交车作为对比，估算几种不同类型汽车平均行驶里程、二氧化碳排放系数的变化。通过这样的方法就能够对纯电动汽车消耗典型是生命周期碳排放量以及减排潜力。依据几种不同类型汽车的比较可知，纯电动汽车减排率显著低于另外的两种汽车类型。在对减排率较小的汽车进行修改后，碳减排率有所降低。

1.4城市交通运输状况的影响

现如今，城市汽车拥堵已经成为一种较为常见的现象。在交通运输出现拥堵现象的情况下，汽车运行的速度就会降低。在汽车运行速度降低时，汽车碳排放量随之增加。纯电动汽车与出租汽车运行速度相类似的情况下，纯电动汽车碳减排潜力明显强于出租汽车。在交通运输状况良好的情况下，相同速度的纯电动汽车与出租汽车二氧化碳排放系数存在一定差异。纯电动汽车的二氧化碳排放系数明显低于出租汽车。

1.5不同煤电技术供电线路的影响

在纯电动汽车运行中，煤电技术对减排效果起着关键性影响。利用相关的模型分析燃料技术线路生命周期能源消耗与排放量进行定量分析和比较。各个煤电技术路线节能减排所体现出的优势较为明显。在实际应用的过程中，采用CCS技术对减排率的影响达到80%左右。在研究电动汽车运行相同历程的情况，对相关影响因素进行改进，就能够改变二氧化碳的排放情况。由此可知，不同煤电技术对线路造成影响，进而会影响二氧化碳的排放情况。

2相关影响因素分析

在研究低碳交通汽车碳减排潜力的影响因素方面。通过对相关影响因素的分析，在了解具体情况的基础上，为改善这种状况，对相关的模型进行优化处理后，应当考虑燃料的利用效率以及能源的运输效率，就能够有效降低碳的排放量。笔者在前文中就已经对相关的影响因素进行了分析。纯电动汽车与传统的汽车相比较，在汽车行驶里程、汽车保有量以及使用年限相同的情况下，各个城市的清洁能源发电比重不一。单位电能的二氧化碳排放系数小于其他的燃料，进而导致纯电动汽车具有较大的减排空间。在电动汽车碳排放量的影响因素中，汽车的类型、煤电技术供电路线、城市交通运行状况、车用燃料类型等多种因素共同影响，致使纯电动汽车碳排放量在一定的影响区间内波动，这对城市节能减排具有重要的影响。电动汽车在试用期间碳的排放量主要来自于电能的损耗，因而对环境的影响主要集中在电能发电阶段。由此可知，发电能源结构与煤电技术供电线路对电动汽车生命周期碳排放空间范围起着决定性的作用。

3结语

总而言之，电动汽车以及新能源汽车的推广对解决能源危机与控制温室气体排放具有重要的影响。依据本文研究的结果，可以很清楚地知道影响碳减排量的因素，针对其中的影响因素提出有效的改善措施，就能够改善这种情况，促进环境的可持续保护。

参考文献

[1]李中杰，郑一新，陈云波，等.昆明交通运输碳排放特征与问题解析[J].中国人口・资源与环境，2011，21（3）.

[2]徐大丰.碳生产率、产业关联与低碳经济结构调整―――基于我国投入产出表的实证分析[J].软科学，2011，25（3）.

[3]于晓英，李亚峰，王玉兵，等.汽车生命周期全过程存在的环境问题及解决措施[J].环境科学与管理，2009，34（7）.

碳排放的影响因素范文1篇5

关键词：低碳建筑材料；市场发展；影响因素

粗放型市场经济的发展以高能耗和高排放量为主要特征，这说明，我国在社会经济大力发展的同时，对自然环境和自然资源的浪费较为严重，也造成了严重的生态破坏。要改变这种经济发展形式，保证自然生态平衡的有序发展，我国必须要积极开拓低碳建筑材料市场，并根据对低碳建筑材料市场影响因素的分析，采取有效措施促进低碳建筑材料市场的发展。以下文章就相关问题进行了简要分析。

1低碳建筑材料概述

所谓低碳建筑材料需要从几个方面分析：首先，低碳建筑材料必须与传统的高能耗和高排放量相对应，要具有较强的节能减排功能。根据当前我国近年来的建筑材料排放量显示，从1998年一直到现在，我国建筑材料的实际排放量均远远高处预估的排放量，这主要与施工建设时间、建筑材料的选择等有关。因此，要保证建筑材料的减量排放首先需要选择低碳建筑。也就是说，低碳建筑材料的首要标准是保证低的排放率；其次，低碳建筑材料必须要使用较高的生产技术。以保证低碳建筑材料的利用过程中不会因为技术问题而产生不必要的废气、废水等污染自然环境；再次，低碳建筑材料的使用和生产过程均要保证无毒无害，对空气不会产生污染；最后，低碳建筑材料的利用要从生态环境的保护和改善角度出发，要保证低碳建筑材料的利用能够在改善人们生活质量的同时，保护生态平衡和空气质量。

2木材的低碳优势分析

就当前我国的低碳建筑材料来看，木材是较为受欢迎的低碳建筑材料，因此广泛应用于各种建筑施工建设中，如建筑装饰和建筑机械的零件构件中等。有实验表明，木材在生产和利用过程中，由于它的结构在物化阶段只需要使用少量的能源和水分就可以完成，相对于混凝土和钢筋结构而言，具有明显的优势。有数据表示，相对于混凝土结构，木结构的应用可以节省46.17%的水和45.24%的能源，而相对于钢结构，木结构则能够节省39.2%的水和27.75%的能源。在废气的排放量方面，木结构也可以减少混凝土结构的16.9%和钢结构的58.5%。可以看出，木材的低碳优势十分明显。

3低碳建筑材料市场发展的影响因素

3.1地产开发商网络关系

在低碳建筑材料市场的发展过程中，地产开发商是低碳建筑材料市场的主要消费对象，同时也是低碳建筑材料市场开发者和低碳建筑材料结构产品的生产者。低碳建筑材料市场的有序发展与地产开发商网络关系有着直接的联系。在地产开发商网络关系中我们可以发现，要保证低碳建筑材料市场的发展，提高低碳建筑材料的经济收益和销售量必须要求拓宽融资渠道、销售渠道，并控制要尽量控制生产成本，增加产品的收益。

3.2产业投资商和技术供应商网络关系

低碳产业需要依靠投资商来进行资本运作。投资商在投资过程中需要密切关注当前国家就低碳建筑材料市场制定的政策，同时还需要关注市场上的发展变化。低碳产业投资商的主要投资目的是获得最高的投资回报率。就当前我国低碳建筑材料市场的发展情况来看，投资商对低碳建筑材料市场的投资还较少。低碳技术供应商决定了低碳建筑材料的加工情况和生产应用情况，影响低碳建筑材料市場发展的主要低碳技术供应商包括产品低碳性能技术的供应商、建造技术属性的开发商以及加工技术属性的加工商等。

3.3木材加工商和进口和生产商网络关系

木材加工商主要是为低碳建筑材料市场中木材进行生产和加工的供应商，在发展低碳建筑材料市场的过程中，如何加强技术加工是关键，也是保证低碳建筑材料市场生产效益和产品质量的重要保证。当然，木材加工商对于低碳建筑材料市场发展的影响还需要结合低碳建筑材料的需求和原材料的价格以及政府政策而定。生产商和进口商在低碳建筑材料市场的发展中也发挥着重要的作用。但是原木进口和生产商对于低碳建筑材料市场发展的影响需要充分考虑当地的交通和运输状况和木材的开采情况而定，也受到了建材需求和政府政策的一定影响。

3.4政府和低碳建筑材料消费者网络关系

政府颁发的各项相关政策对低碳建筑材料市场的发展有着直接影响，咯路，政府会对行业的发展制定一定的规范标准，还会利用政策手段调整产业结构，同时还可以对市场进行宏观干预，影响市场形势的变化。消费者的需求是影响低碳建筑材料市场发展的重要因素，也是低碳建筑材料市场发展的基础。只有不断满足消费者的低碳减排需求，采用先进的低碳减排技术进行低碳建筑材料加工和生产，才有可能生产出符合社会经济发展和消费者需求的低碳产品，获得更高的经济收益。

4结语

综上所述，影响我国低碳建筑材料市场发展的因素众多，有地产开发商、产业投资商和技术供应商、木材加工商和进口和生产商、以及政府和低碳建筑材料消费者等。但是，从当前我国低碳建筑材料市场发展的现状来看，无论是消费者还是开发商和供应商的低碳意识均还有待提高，政府虽然已经制定了不少有利于低碳建筑材料市场发展的法律法规，但是在鼓励低碳建筑材料市场发展方面如经济补贴等方面还存在较多的不足。因此，我国当前的低碳建筑材料市场发展还是不够成熟的，这些必须要引起有关单位和企业的重视，要建立更加完善的低碳建筑材料市场发展体系，切实保证经济和生态的和谐发展。

参考文献

[1]陈琳，李书全.行动者网络理论的建筑低碳化动力机制研究[J].天津大学学报（社会科学版），2012（01）：87-92.

[2]王长江，周洪光，马明.基于有序Logistical回归的低碳建筑影响因素研究——以河北省建筑业为例[J].建筑经济，2012（08）：99-101.

[3]李积权.城市建筑生态位原理探析及其生态位策略研究——日本东京中城规划设计案例分析[J].城市发展研究，2012（08）：28-35.

[4]陈力莅，丁太威，耿化民.低碳建筑全生命周期碳排放影响因素分析[J].四川建筑，2012（05）：79-80+82.

碳排放的影响因素范文篇6

以节约资源和减少排碳、实现经济社会的可持续发展和保护人类生存环境为出发点，对公路项目建设前期、施工期的碳排放评价的可行性进行探索分析，研究关键参数导致的碳排放，建立公路设计与施工的碳排放评价方法，对于在公路设计和施工阶段进行更有前瞻性的投资分析和设计具有理论意义。

关键词：

公路设计与施工；节能减排；可行性研究

0引言

节约资源、保护环境是我国的基本国策，注重的是解决人与自然的和谐问题。“绿色交通”作为交通运输部党组提出的推进“综合交通、智慧交通、绿色交通、平安交通”的引领环节，就是要通过技术进步推动绿色发展，推进绿色循环交通基础设施建设，把生态文明建设融入交通运输发展的各方面和全过程，大力推进结构性、技术性和管理性节能减排。本文以节约资源和减少碳排放、实现经济社会的可持续发展和保护人类生存环境为出发点，对公路项目建设前期、施工期的碳排放评价的可行性进行探索分析，以达到基于节能减排为目的的优化道路规划与施工，从而实现道路运输节能减排的后期效果。

1开展公路设计及施工环节节能减排评价的重要性

公路作为交通运输行业的重要组成部分，是开展节能减排工作的重要领域。根据2008年建设部的估计，我国交通行业的总能耗已接近全社会总能耗的30%，马上就要超过工业总能耗。而在道路最初建设阶段，即施工阶段，能源消耗量最大，占到了84.4%。如果不考虑建设施工过程中的碳排放与能耗，将对我国环境与生态产生重大影响。但目前燃油消耗和碳排放的研究出发点都是基于车辆的，一般研究车辆在不同情况下的油耗排放情况以及影响车辆燃油消耗的关键因素。其中道路设计参数作为一项指标也被考虑到油耗计算方法中去。但是对于一条公路设计过程中产生的总体能源消耗情况并没有具体描述。公路建设过程是一个复杂的系统工程，不仅要满足公路各项正常使用功能，还要考虑公路建设的成本效益以及对环境造成的破坏。如能提取公路设计中的主要参数和碳排放施工关键环节，研究公路在规划与设计过程中的碳排放情况，施工过程中的节能情况，建立针对公路设计方案和施工的碳排放评价方法，确保最终优选的方案，尽可能少地消耗能源以及减少对环境的影响。同时，将节能减排作为约束条件，不仅可以对公路设计方案的能源消耗和环境影响进行评价，还可以为一些看起来可能投入大但是对能源消耗和环境影响很小的方案提供可行性分析。

2我国公路节能减排评价现状

2.1影响我国公路设计及施工环节的控制因素

公路工程不同于其他建筑工程最大的特点，在于公路是一种线形工程结构物，公路路线设计参数的确定关系到公路平面设计、纵断面设计和横断面设计的实现，不同的路线设计参数将决定公路的使用功能、交通安全、工程造价、经济效益、沿线环境以及碳排放程度。根据目前的《公路工程技术标准》，在公路规划设计过程中，主要根据公路功能、路网规划、交通量，并充分考虑项目所在地区的综合运输体系、社会经济等因素来确定，考虑的控制要素主要包括：交通量、公路服务水平、设计速度、公路建筑界限等。

2.2我国公路节能减排评价现状

根据目前公路设计中的与环境相关的规范，主要有《公路建设项目环境影响评价技术规范》和《公路环境保护设计规范》。其中提及的环境影响评价主要是指公路对社会环境、生态环境、环境空气、环境噪声的影响。而其中并未涉及对环境影响最大的污染物二氧化碳（CO2）。根据目前的《公路工程技术标准》，由于速度与燃油消耗有一点关系，因此上述控制要素中认为可能考虑节能减排的因素只有设计车速，但这与真正意义上将节能减排作为公路设计的约束条件还有很大距离。因此，目前现状来看，在道路设计和环境影响评价过程中都未将节能减排作为约束条件。

2.3理论研究发展趋势

目前，国内外关于公路工程低碳节能减排的措施，主要体现在设计、施工、运营等方面，力求做到最少的碳排放。在设计阶段，尽量采用合理的桥梁、隧道方案；降低路基高度，利用风积沙填筑路基，科学计算土石方开挖量和合理布局服务区的建筑物。在施工阶段，一般通过减少筑路机械设备油耗，实现施工机械设备的节能减排；采用新型低碳筑路材料、新能源、低碳管理等低碳技术和管理手段来降低CO2的排放量。国内针对公路碳计量的研究也处于刚刚起步状态，对于公路运营期碳排放影响因素，目前较为公认分别为：车辆因素、公路自身因素和自然状态因素，同时认为公路自身因素是影响公路碳排放的最主要因素。但对于影响碳排放的最关键因素以及这些关键因素对公路碳排放的影响程度没有进行定量分析。

3公路设计与施工环节碳排放分析

本文研究的公路设计与施工评价主要是对道路设计方案，对道路规划方案不直接进行评价，而道路施工情况作为道路设计方案评价的子方面来体现。

3.1公路设计环节

拟根据不同路线设计参数对碳排放的贡献能力大小不同，对公路碳排放影响程度最大的路线设计关键参数，便于对其进行针对性的研究。⑴我国交通运输部公路科学研究所在《关于纵坡与汽车运行速度和油耗之间关系的研究》中已得出道路纵坡和碳排放之间存在着线性关系。⑵当汽车行驶在曲线路段时，需要考虑的重要因素就是横向稳定性，而影响汽车横向稳定性最关键的参数之一就是圆曲线半径。在相同曲率半径下，随着车辆行驶速度的增大，圆曲线半径对碳排放的影响程度会愈加明显。⑶车辆经过各种交叉口时，行驶工况都会发生连续加速或减速状态变化，即行驶速度VsV0或0，然后再经过V0或0sVs的过程，其中Vs为平原平均行驶速度；V0为在瓶颈路段减速通过速度。整个过程碳排量增量的产生是由于全部交通车辆通过瓶颈路段时连续制动改变了车辆的行驶工况。通过对碳排放量的因素进行了详细分析，其中速度、坡度是最直接和最核心的因素，所以在建立碳计量模型时，速度单独影响下的碳排放量和坡度单独影响下的碳排放量是模型的主要部分，其他影响因素对碳排放量的影响作用采用影响因数来体现。速度与坡度对排放量的调整系数。

3.2公路施工环节

拟研究公路施工关键技术与碳排放之间的函数关系，定量或定性分析和评估各个关键参数与碳排放之间的变化关系。

⑴低碳施工技术是公路建设减少资源浪费、降低能源消耗、减缓环境破坏压力的关键技术，具体要求施工期间应具备节能减排的思想，用绿色低碳技术指导施工，尤其在施工中对旧沥青再生利用技术、机械设备节能节油技术以及对生态环境恢复与保护效果评价技术的运用方面应进行优化管理，以最大限度减少碳释放量和能源消耗Bs。

⑵机械是现代公路工程建设不可缺少的施工设备，其耗油量和废气排放量是影响公路低碳效益的重要元素Bj。实现设备节油是一个复杂的系统工程，在机械设备从生产至报废的整个过程中，良好节油节能效果的实现是需要制造者、管理者与使用者的共同努力。建设期碳计量的计算与规划设计期碳计量的运输相似，只是在建设期产生了材料的碳排放量Br，因此建设期的碳计量可用B计算。因此，从公路路线设计和施工的技术角度出发，研究关键参数导致的碳排放，建立公路设计与施工的碳排放评价方法，可对不同设计方案和施工方案导致的碳排放进行定量对比分析。

4结语

公路建设及运营是一个长期工程，将可持续发展理念从侧重生态环保层面延伸到规划、设计、建设、养护、运营、管理的全过程对节能减排意义非常重大。本文提出的对公路设计与施工环节进行碳排放分析评价，目的是探索使道路建设与管理部门真正了解道路建设过程中对节能减排的影响与作用，在公路设计和施工阶段进行更有前瞻性的投资分析和设计，能够给公路低碳化建设提供决策参考，帮助公路建设部门和环境监督部门选择最优低碳建设策略和环境监督策略。由于公路设计和施工环节影响碳排放的因素众多，因此，进行科学的定量计算还有待进一步深入研究。

参考文献：

[1]马天山，樊一江.交通运输与能源和环境战略研究[J].交通运输工程学报，2008（8）：116-119.

[2]陈晓利.低碳高速公路建设关键技术框架研究[J].公路交通技术，2012（6）：139-142.

[3]董舒.也谈节约型公路工程建设关键技术[J].交通建设与管理，2013（4）：70-71.

[4]邴雪，徐萍，陆键，等.基于LCA的低碳公路的实现途径[J].公路，2013（3）：32.

[5]刘颖，刘明.公路行业中的低碳技术[C]//中国环境科学学会学术论文集，2010：226-229.

碳排放的影响因素范文

关键词：碳排放；因素分解；碳排放强度；产业碳足迹模型

中图分类号：F426；X502文献标识码：A文章编号：1001-8409（2013）06-0039-05

1引言

据IPCC第四次评估报告（2007）统计，建筑业消耗了全球40%的能源，并排放了36%的CO2。因此降低建筑业引起的能源消耗和温室气体排放量，对全世界节能减排目标的实现具有举足轻重的意义。相关研究表明，建筑业是直接碳排放低、间接碳排放高的产业部门，如计军平[1]研究得出2007年我国建筑业的隐含碳排放量达到了2295.1MtCO2-eq，占各部门总量的2979%。显然，我国建筑业能耗形势严峻，低碳建筑已成为我国低碳经济的关键领域。

寻找减排途径的前提，不仅要从整体上把握建筑业直接碳排放和间接碳排放，更要准确分析促使碳排放增加的原因。一方面，许多学者采用环境投入产出分析法[2，3]、经济投入-产出生命期评价模型[4]、嵌入能耗的投入产出模型[5]等核算某一国家或地区建筑业所引起的能源消耗及碳排放，研究结果表明建筑业产生的碳排放主要源自关联产业的间接排放。另一方面，许多学者采用Kaya恒等式计算了我国或某地区的碳足迹，并通过分解模型定量分析高能耗行业碳足迹影响因素的贡献，并提出节能减排的措施和建议[6～10]，但主要停留在宏观层面，尚无相关研究探索建筑业碳排放的因素及其贡献。

鉴于建筑业碳排放主要源自间接排放，本文运用经济投入-产出分析法，建立建筑业完全碳足迹模型，核算建筑业直接碳排放和间接碳排放；应用Kaya恒等式，构建建筑业直接碳排放和间接碳排放变动的分解模型，将促使建筑业碳排放总量变动的因素分解为能源结构效应、能源强度效应、产业规模效应、经济产出效应；以我国1995～2009年的建筑业碳排放为实证，探讨了我国建筑业未来实施减排的途径和对策。

2模型构建及数据来源与处理

2.1研究范围界定

（1）建筑业

建筑业指我国投入产出表所涵盖的范围，包括房屋和土木工程建筑业、建筑安装业、建筑装饰业、其他建筑业，其中房屋和土木工程建筑业包括房屋工程建筑，铁路、道路、隧道和桥梁工程建筑，水利和港口工程建筑，工矿工程建筑，架线和管道工程建筑，其他土木工程建筑；而其他建筑业主要包括工程准备，提供施工设备服务，其他未列明的建筑活动。

（2）能源种类及碳排放

本文所涉及能源指中国统计年鉴之“按行业分能源消费量”，包含的煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天燃气、电力等9种能源。

2.2基于能源消耗的产业碳排放强度

从横向的年贡献差异看，1995～2000年期间，建筑业隐含碳排放呈现先快速增长，后减速增长的倒“V”形，其中1995～1997年期间建筑业隐含碳排放以9384%的速度呈现快速增长，此期间虽然规模产业能源强度出现了-15405%的负向效应，但是也未能抵消单位产出的产业规模比率（5394%）和产业GDP增长率（28761%）所带来的正向效应；1997～2000年期间建筑业隐含碳排放增长速度放慢至2634%，主要原因是产业GDP增长率的正向影响缩小至12313%，且单位产出的产业规模比率首次出现了负向影响，规模产业能源强度的负向影响减小至-4866%。此期间的结果足以说明产业GDP增长率和规模产业能源强度对建筑业隐含碳排放分别呈现较为明显的正向影响和负向影响。2000～2002年期间隐含碳排放增长率为0431%，基本实现平衡，主要原因是建筑业产业GDP的正向贡献被规模产业能源强度负向影响和单位产出的产业规模比率的负影响抵消，说明在此期间建筑业GDP增加主要是因为通货膨胀率等因素引起了人工费、材料费、机械设备费的上涨，致使建筑业建造成本的上升所致。2002～2007年期间，建筑业隐含碳排放增长率几乎以直线上升，在2005～2007年期间达到了最高，产生该现象的主要原因是产业GDP增长率和规模产业能源强度的持续增加，尤其是规模产业能源强度在2005～2007年期间完全改变了负向影响演变成正向影响，虽然在此期间建筑业产业GDP增长率相对于2004年有约3%的下降、单位产出的产业规模比率下降到了-6%～-8%，但都仍未能抵消规模产业能源强度的正向影响。正说明在此期间，建筑业的减排技术并没有得到较为明显的改善，因此建筑业前向关联产业应提升能源利用率、更多地利用低排放的电力、天然气等能源，甚至尝试使用清洁能源，从而降低建筑业能源结构强度。

4产业结构调整策略

为了制定建筑业产业低碳经济发展，本文拟从以下3方面提出相关建议和对策：

（1）建筑产业链的技术升级

建筑业的碳排放具有显著的隐藏性，直接生产产生的碳排放较低，不仅要加强建筑业前向关联产业的技术升级，还要加大对它们的中间产品的有效利用，减少浪费，从而降低建筑业的直接碳排放和隐含碳排放。如针对交通运输和仓储业而言，建设单位应避免工程材料的长距离、大规模运输，从而减少运输过程中的能源消耗和温室气体的释放[4]。

（2）推动能源生产和利用方式调整，优化能源结构

要实现建筑业低碳，需要从以下两个方面优化能源运输及结构体系，并推动能源生产和利用方式调整，从而降低建筑业的能源结构碳强度、规模产业能源强度：①着眼于更大范围的能源平衡和区域布局，建立多元化的能源供应渠道，建立科学合理的能源综合运输体系，提高能源就地加工转化水平，减少一次能源大规模长途输送压力；②提高清洁能源的比重。通过发展核电、风电和可再生能源，实现能源多样化，进一步优化能源结构，促进能源生产和消费优质化、低碳化。

（3）建筑业自身的技术升级

通过建筑业自身的技术升级，从材料消耗及废旧建筑物材料的回收利用两方面减少建筑业能源结构碳强度，如优化建筑设计，降低单位面积建筑的材料消耗量、改造和更新既有建筑物、尽可能地回收和再利用施工废弃物。

5结论与不足

本文以能源统计年鉴及中国统计年鉴的产业部门的投入产出表、分行业能源消耗、各能源的标准煤折算系数及碳排放系数，将135个部门合并成26个产业部门，构建了“基于能源消耗的产业碳排放强度模型”、“产业碳足迹模型”，并分析了各产业部门直接碳排放和隐含碳排放的分布结构特征；在此基础上，进一步采用Kaya恒等式将促使建筑业碳排放总量增加的因素分解为能源结构效应、能源强度效应、产业规模效应、经济产出效应，从而从纵向层面和横向层面分析了各因素对建筑业碳排放的贡献。

本文的研究存在以下三方面的不足。首先，为了便于数据的统计与分析，将投入产出表合并成26个产业部门，相对135个部门而言较为粗犷，产业部门的合并可能会带来系统误差；其次，在产业碳足迹模型中，仅考虑了各产业的最终使用，未考虑国外进口产品对我国碳排放的影响，这与实际情况存在一定的偏差；最后，因目前国家未正式2007年不变价投入产出表，因此本文所使用的投入产出表及相关经济数据都没有消除通货膨胀的因素影响。对于上述不足，将在今后的研究中加以完善。

参考文献：

[1]计军平，刘磊，马晓明.基于EIO-LCA模型的中国部门温室气体排放结构研究[J].北京大学学报（自然科学版），2011，47（7）：741-749.

[2]NssénJ，HolmbergJ，WadeskogA，etal.DirectandIndirectEnergyUseandCarbonEmissionsintheProductionPhaseofBuildings：AnInput-outputAnalysis[J].Energy，2007，32（9）：1593-1602.

[3]AcquayeAA，DuffyAP.Input–outputAnalysisofIrishConstructionSectorGreenhouseGasEmissions[J].BuildingandEnvironment，2010，45（3）：784-791.

[4]常远，王要武.基于经济投入-产出生命期评价模型的我国建筑物化能与大气影响分析[J].土木工程学报，2011（5）：136-143.

[5]张燕，张洪，高翔.基于嵌入能耗的投入产出模型的我国产业耗能分析[J].统计与决策，2011（14）：97-102.

[6]姚宇，韩翠翠.Kaya公式的扩展和产业低碳化发展研究——以陕西交通运输业为例[J].陕西行政学院学报，2011（04）：115-118.

[7]邢璐，单葆国.基于Kaya公式的中国CO2排放影响因素分解[J].能源技术经济，2011（10）：46-50.

[8]李志强，赵守艳.基于Kaya模型的高能耗产业低碳发展研究——以山西省为例[J].经济问题，2011（08）：59-62.

碳排放的影响因素范文篇8

[关键词]行业碳排放量能源利用效率要素禀赋结构洛伦茨曲线基尼系数

社会主义公平正义是建立和谐社会的基本原则之一,它体现在政治、经济和文化等各方面,在资源稀缺情况下,行业领域能源分配不均,是社会公平正义在经济领域出现偏颇的重要表现。先不考虑行业是否需要以能源为主要原料和行业投入多少的情况,每个行业得到能源消费利用的机会应该是均等的。换句话说,不管该行业对该种资源消费与否,每个企业都有权利获得满足自己所需要的能源消费量,或者至少能得到属于自己与其他行业等额的消费权利。而目前行业的能源消费是不公平的。

一、研究范围和数据来源

本文研究范围具体包括:通信设备、计算机及其他电子设备制造业,仪器仪表及文化、办公用品机械制造业,家具制造业,炯草制品业,电气机械及器材制造业,皮革、毛皮、羽毛(绒)及其制品业,交通运输设备制造业,纺织服装、鞋、帽制造业,丈教体育用品制造业,农副食品加工业,专用设备制造业,通用设备制造业,印刷业和记录媒介的复制,医药制造业,饮料制造业,塑料制品业,食品制造业,木材加I:及木、竹、藤、棕、草制品业,金属制品业,纺织业,有色金属矿采选业,橡胶制品业,化学纤维制造业,工艺品及其他制造业,石油和天然气开采业,造纸及纸制品业,有色金属冶炼及压延加工业,黑色金属矿采选业,燃气生产和供应业,非金属矿采选业,电力、热力的生产和供应业,石油加工、炼焦及核燃料加工业,煤炭开采和洗选业,水的生产和供应业,化学原料及化学制品制造业,非金属矿物制品业,黑色金属冶炼及压延加工业。

二、行业碳排放量和能源利用效率不公平分析

按照经济学资源稀缺性前提假设,行业间碳排放量和能源利用效率不公平,意味着资源使用存在普遍竞争的情况下,不同行业之前碳排放量和能源利用效率是存在差异的,但是这种差异违反了社会主义和谐社会“公平正义”原则,有的行业用较少的能源消费创造了更多的社会财富(T业总产值),而有的行业消耗了大量能源(伴随着更大的二氧化碳)却创造了较低的财富(T业总产值)。按照国际惯例作出分析:若低于0.2表示绝对平均;0.2―0.3表示比较平均;0.3―0.4表示相对合理;0.4―0.5表示差距较大;0.5以上表示差距悬殊。图1描述了按照碳排放量大小排名的前十名和后十名行业,总体呈现轻工业的碳排放量相对较少,重工业碳排放量相对释放较多特点。

三、行业碳排放量影响因素及不公平的原因探析

影响碳排放量大小的因素,目前主要归结为:经济发展状况、人口增长状况、人均收入水平、产业结构、对外贸易水平和能源效率等,具体到行业内碳排放量的影响因素还未有人总结,行业的单位能耗强度可能是影响碳排放量的重要因素,并且行业碳排放量大小和行业对能源消费量大小成正相关,行业要素结构必然影响行业碳排放量大小,选用从业人口作为控制变量,并借鉴C―D函数双对数形式建立方程(1)采用分位数同归方法,回归结果如表1。

根据表1和图1可知,在各分位点上回归方程的拟合优度均达到70%以上,在20%的分位点上只有截据项没有通过1%显著性水平检验外,其他情况下各变量均通过1%显著性水平检验。这说明各解释变量均能很好的解释该模型。首先,行业从业人口状况对行业碳排放量的影响十分显著,并且作为行业投入要素之一,具有很重的影响度。但随着分位点不断上升,即当行业面临较高的碳排放量时,该因素对行业的影响度却是十分平缓的,只是在分位点的最初经历一个短暂的上升,到20%分位点上达到顶峰后开始下降,直到在45%的分位点上开始变为平缓,并除了在65%的分位点上经历一个突升为0.967之外,一直保持平缓的趋势不变。

四、行业碳排放量库兹涅茨曲线拐点的证明

以上分析了单位能耗(能源利用效率)行业之前的差异,以及单位能耗对行业碳排放量影响的重要性。减少行业碳排放量,提高行业能源利用效率,有必要测算行业碳排放的拐点下对应的能源效率值。

建立行业碳排放量和单位能耗之间的库兹涅茨曲线如模型(1),考虑结果的稳定性和行业要素禀赋差异对碳排放量的影响,建立扩张性的碳排放量库兹涅茨曲线如模型(2)

(详见表2)。

令(2)式为零,得出LNEFF=0.574(只留取最大值点对应的LNEFF,下同),EFF=1.624,对应于图6中左图E(0.574,8.953),此行业碳排放量的库兹涅茨曲线是“N”型。根据计算结果,中同共有11行业中规模以上工业企业存在单位能耗过高现象,能源利用效率偏低,大约占总研究行业的1/3。

五、结论和建议

鉴于本文研究结果,为适应低碳经济发展趋势,缩减行业碳排放量、提出相关结论和政策建议:

第一,行业碳排放量和单位能耗的基尼系数分别为0.59、0.49,行业碳排放量和单位能耗均存在较大差距。在能源稀缺前提下,同样的产值在不同行业间的能源消耗却存在差异过大,严格意义上说违背了社会公平正义原则。努力缩减行业单位能耗差距是社会公共正义在经济上的体现。

第二,行业要素禀赋差异是影响行业碳排放量、提高能源利用效率最关键的因素。

第三,单位能耗低于1.6―1.7万吨标准煤/亿元时,行业碳排放量存在拐点。加大重工业行业有效管理,提高能源开采、利用和保护技术是促进行业排放量拐点到来的关键手段。

第四,重视和鼓励能源技术创新和合作联盟建立。技术创新是一个长期和艰辛的过程。鼓励行业内进行合作联盟甚至是国际技术联盟,是一种节约智力资源,以最小成本获得最大收益的有效推动力。

参考文献:

[1]史丹吴利学傅晓霞等:中国能源效率地区差异及其成因研究――基于随机前沿生产函数的方差分解[J].管理世界,2008,(2):35―43

碳排放的影响因素范文

关键词能源消费；二氧化碳排放；LMDI

作者简介吴晗晗（1986—）女，江西师范大学财政金融学院硕士研究生。（江西南昌330000）

一、引言

发展低碳经济，是可持续发展的题中之义。而碳排放作为全球气候变暖背景下的新标识，得到学者们的广泛研究。那么碳排放的影响因素有哪些？这些影响因素如何影响碳排放的？关于碳排放影响因素的问题，许多学者也做出了探究。例如陈彦玲，王深认为高速的经济增长产出规模是经济碳排放的驱动因素，而产业结构、能源结构的调整和能源效率的提高降低了碳排放量的增长。1唐志鹏等依据突变级数法基本原理，构建了我国CO2减排的影响要素指标评价体系，该指标体系主要包括一次能源消费结构、产业结构、能耗技术以及管理水平等2。冯相昭，王雪臣，陈红枫（2008）、宋德勇，卢忠宝2009、王伟林，黄贤金2008、徐国泉，刘则渊，姜照华2006等均采用指数分解法对碳排放的影响因素进行定量研究3-6。

《江西省低碳经济社会发展纲要白皮书》指出，“到2022年江西省建设低碳经济社会的目标是：产业、能源结构趋于合理，生产方式基本实现向低碳型转变；低碳技术的研发能力全面提升，若干技术和产业规模达到国内领先水平；温室气体排放得到有效控制，碳汇能力明显提高；与低碳经济社会发展相适应的法规、政策和管理体系基本建立；在低碳领域与国内外交流合作的平台全面建立，国际低碳经济交流合作中心的地位得到确立。”

减少能源消耗，降低温室气体二氧化碳排放，需要我们对江西省能源消费及碳排放现状及影响有素有清晰的认识。本文从能源消费及二氧化碳的排放角度出发，结合江西省实际情况，分析“十五”中期至“十二五”初期各工业部门的能源消费、二氧化碳排放情况，并运用LMDI法对二氧化碳排放影响因素进行总体分析，从而为江西省的减排工作提出建议对策。

二、研究方法

一碳排放计算方法

本文采用《2006年IPCC国家温室气体清单指南》中推荐的基准方法来计算江西省各产业部门的CO2排放量。计算公式如下：7

Ct=∑iCi，t=∑iECi，t·efi

式中，Ct为t时期各种类型能源消费导致的CO2排放总量104t？鸦i为能源消费类型，如煤炭、石油和天然气等？鸦EC为能源消费总量？鸦efi为能源i的CO2排放系数，CO2排放系数参考相关文献并经过简单的计算获得参照下表1。本文未将工业生产过程中被用作生产原料的那部分能源的固碳量列入到研究范围内，为此不考虑能源固碳化率对估算结果的影响。

二碳排放因素分解方法

近年来的研究不断表明，能源消费碳排放除了与能源消费规模及经济产出有直接联系，而且与能源结构、能源效率及主导产业类型等有较为密切的关系8。因此，本文引入能表示产业结构、能源结构及能源效率的变量，对Kaya恒等式9进行了扩展。扩展后的Kaya恒等式表达为：

式中：POP表示国内人口总量；C表示碳排放总量，指能源燃烧释放出的热量所对应的碳量，用i区分不同的产业类型，用j区分不同的能源类型，则Cij表示第i种产业中第j种能源产生的碳排放；PEij表示第i种产业中第j种能源的消费量；PEi表示第i种产业的能源消费量；GDPi表示第i种产业的国内生产总值。

则能源消费碳排放分解模型表达式为：

式中：fij表示不同类型的单位能源所排放的碳量，即碳排放系数；mij表示第j种能源在第i种产业的能源消费中所占比重；ti表示第i种产业单位GDP的能源消费量，即该产业的能源强度；si表示第i种产业在GDP总量中所占比重；g表示人均GDP；p表示人口数量。

由此，将能源消费碳排放的变化分解为排放因子效应（fij）、产业能源结构效应（mij）、产业能源强度（ti）即能源效率效应、产业结构效应（si）、产出规模效应（g）及人口规模效应（p）等6种因素。

LMDI方法10采用“乘积分解”和“加和分解”两种方法进行分解，两种方法最终分解结果是一致的。对于公式C=∑i∑j（mij·fij·ti·si·g·p）所示模型，设基期碳排放总量为C0，T期总量为CT，用下标tot表示总的变化。采用加和分解，将差分分解为：

各分解因素贡献值的表达式分别为：

排放因子效应：

能源结构效应：

能源强度效应：

产业结构效应：

经济产出效应：

人口规模效应：

总效应：

由于各能源的碳排放因子即为该能源的碳排放系数，在实际应用中取常量，所以，在进行因素分解时，Cfij始终等于0，可以不作为考量因素。故总效应公式可简化为：

3.基础数据处理

为方便计算，本文将工业划分为10个产业部门，具体划分见下表。

本文工业部门能源消费量来自江西省统计年鉴（2004～2012年）11，经济数据采用规模以上工业企业增加值，并依据产业分类加以合并整理。

通过碳排放计算公式得出江西省规模以上工业各部门碳排放量如下：

三、能源消费碳排放LMDI分析

通过能源消耗计算得到2004～2011年江西省规模以上工业内部产业部门能源碳排放情况。并在此基础上进行LMDI分解，得出能源结构效应、能源强度效应、产业结构效应、产出规模效应、人口规模效应，得到各分解因素的效应结果如下表。

1.产出规模效应分析

从LMDI分解结果可以看出，工业部门能源消费的碳排放因素中影响最大的是产出规模正的增效应，即经济增长的正影响。

经济增长所衍生的能源需求是各产业部门CO2排放增加的主要因素，由经济增长所带动的CO2排放增量效应较大的产业包括：能源产业、石化产业、钢铁及有色金属产业、建材产业、采选业等。此外，从时间序列分析，2004～2011年间各产业的增量效应总体上处于增强趋势。部分产业，如纺织服装业、造纸和印刷产业、装备制造业、其他工业部门产出规模效应在2008年前后出现波动，其原因可能由于受国际金融危机影响，全国实行宽松的经济政策，扩大内需，整体经济水平获得稳定增长，能源消费导致的碳排放也随之增长，江西省亦不例外。但随着时间推移，金融危机的影响逐渐渗入各个领域，经济增长脚步放慢，产出规模相应相对减弱，但整体上仍处于上升趋势。

2.能源强度效应分析

从表7和图5可以看出，各产业部门能源强度变动所产生的减量效应渐趋明显。能源强度变动所产生的减量效应较大的产业包括：能源产业、钢铁及有色金属产业、纺织服装业、装备制造业等；由增量效应逐渐转变为减量效应的产业为：采选业、食品加工和制造业、石化产业、建材产业、其他工业部门；而由减量效应转变为增量效应继而又转变为减量效应的是造纸和印刷产业。结合江西省具体情况来分析，随着战略性新型产业的发展，江西省对传统的能源消费较高产业，逐步进行生产工艺和生产设备技术改造，积极引进节能降耗的设备，提高能源的综合利用效率，同时发展新型产业，逐步降低对能源的消耗。

3.产业结构效应分析

从LMDI数据分解结果来看，产业结构对整体产业部门的CO2排放由增量效应逐渐转变为减量效应。从各产业部门来看，产业结构的减量效应的产业包括：食品加工和制造业、造纸和印刷产业、石化产业。产生增量效应的产业包括：采选业和纺织服装业。由增量效应转变为减量效应的产业为：钢铁和有色金属产业、能源产业。其中能源产业在2004年后成为减量效应的主要贡献产业，而随着国家对钢铁及有色金属产业结构的调整及限制，其能源消费及碳排放也得到了有效的控制和缓解。由减量效应转变为增量效应的产业为：建材产业、装备制造业和其他工业部门。可见近年来这些产业的产业结构不尽合理，造成产业重复率高，产能过剩。综合上述分析，尽管能源产业、钢铁和有色金属产业、石化产业是工业部门中主要的CO2排放源，却因产业规模缩减或产业结构调整而带来一定的减量效应，因此可以看出通过产业结构调整和优化可以实现CO2的减排。

四、结论及建议

本文通过碳排放影响因素的对数平均迪氏指数方法（LMDI），从能源消费结构、能源消费强度、产业结构效应、产出规模效应、人口规模效应五个方面对江西省能源消费碳排放进行分解分析，通过分析可以看出2004～2011年产出规模效应、产业结构效应、人口规模效应是影响江西省的能源消费CO2排放的增长因素。能源结构效应、能源强度效应的优化则对控制CO2排放有负的减效应。虽然高速的经济增长会带来能源消费CO2排放正的增效应，但以经济增长换取低碳排放是不实际的。因此，在能源强度下降的同时，调整产业结构，优化能源消费结构，控制人口在合理的水平增长对江西省能源消费碳排放至关重要。

针对以上分析，给出如下建议：

（1）提高能源消费强度是减排的重中之重。江西省能源强度效应在碳排放影响因素中负的减效应最大，因此，要继续推进工业内部重点部门的节能工作，要进一步强化能源产业、钢铁和有色金属产业、石化、建材、采选、食品加工及制造等高耗能产业的节能减排责任，加强重点耗能行业设备、产品单位能耗管理，开展技术改造项目、淘汰落后工业及设备，提高能效，逐步完善以政府调控为主、市场主导为辅、行业为主体，全社会共同推进的节能减排局面。

（2）提高清洁能源比例是减排工作的深化。使用低碳清洁能源代替高碳能源是江西省减排工作的重要方面。一方面，依托西气东输工程，提高天然气在江西省能源消费中的比例；另一方面，积极开发使用太阳能、风能电站建设，增加无碳电力的生产，保障能源安全的前提下，适当提高外来电力消费比例。

（3）碳捕捉及埋存是减排工作的可能途径。碳捕捉及埋存指将CO2从相关排放源中分离出来，运输到封存地，使CO2长期与大气隔离的过程。目前江西省尚无次碳处理方法。但我国上海石洞口第二热电厂碳捕捉项目的建设，可以提供经验、设备及技术指导。另外，江西省还需将分散燃烧的煤炭集中用于发电部门，这样，可以利用大型发电锅炉高的燃烧效率，依托先进技术，减少煤炭分散燃烧，大幅提高煤炭利用效率，也为日后CO2捕捉及埋存奠定基础。

参考文献

1陈彦玲，王琛.影响中国人均碳排放的因素分析J.北京石油化工学院学报2009254～58.

2唐志鹏等.基于突变级数法的中国CO2减排的影响要素指标体系及其评价研究J.资源科学2009111999～2005.

3冯相昭王雪臣陈红枫等.1971～2005年中国CO2排放影响因素分析J.气候变化研究进展2008142～47.

4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2009318～24.

5王伟林，黄贤金.区域碳排放强度变化的因素分解模型及实证分析J.生态经济20081232～35.

6徐国泉刘则渊姜照华.中国碳排放的因素分级模型及实证分析：1995～2004J.中国人口·资源与环境2006166158～161.

7IPCC.2006IPCCGuidelinesforNationalGreenhouseGasInventoriesM.TokyoIGES2007.

8李国璋王双.中国能源强度变动的区域因素分解分析——基于LMDI分解分析方法J.财经研究200834852～62.

9KayaYoichi.ImpactofCarbonDioxideEmissiononGNPGrowthInterpretationofProposedScenariosR.ParisPre-sentationtotheEnergyandIndustrySubgroupResponseStrategiesWorkingGroupIPCC1989.

碳排放的影响因素范文篇10

关键词贸易开放碳排放效率环境库兹涅茨效应MalmquistLuenberger指数

一、引言

第二次世界大战以后，日本利用战后有利条件，承接了美国转移的劳动密集型产业，率先实现了经济起飞。此后，台湾、香港、韩国、新加坡等亚洲“四小龙”和泰国、马来西亚、印尼、中国等新兴经济体先后实现了经济的高速增长，创造了所谓的“东亚奇迹”。与此同时，东亚各经济体通过相互投资与贸易，区域内贸易联系日益紧密，经济开放程度不断提高，东亚地区逐渐成为与北美自由贸易区、欧盟并重的世界三大生产网络之一，形成了以机械、化工、钢铁、船舶、电子等能源密集型产业为主的生产网络，成为名副其实的“世界工厂”。东亚地区经济增长外向型特征十分鲜明，贸易是驱动经济增长重要因素，为经济增长做出了巨大贡献。东亚各经济体依次通过承接先发国家转移的产业，发展出口导向型的经济和贸易自由化，逐次实现经济起飞。东亚地区这一增长模式被称为“雁行模式”。但由于东亚生产网络产业结构能源密集型的特点，“雁行模式”的背后带来了严重的环境问题。

东亚各经济经济增长、贸易开放与二氧化碳排放有着密不可分的关系。“雁行模式”促使东亚各经济体贸易自由化，进而对经济增长和碳排放产生重要影响。经济增长对于碳排放的影响倒U型的关系被称为环境库兹涅茨曲线（theEnvironmentalKuznetsCurve，EKC）。在初期阶段，随着经济增长的环境质量趋于恶化，到了一定的阶段，随着技术进步和环保意识增强，经济增长有助于改善环境质量。贸易开放对于碳排放的影响则取决于“污染光环”（pollutionhalo）效应和“污染避难所”（pollutionhaven）效应的大小，前者指随着贸易开放一国可以获得更加清洁的技术从而降低碳排放量，后者则是随着贸易开放各国为提升竞争力对环境质量向底线赛跑（Race-to-the-bottom）而导致污染产业向本国转移。处于“雁行模式”模式的东亚各经济体是否存在着环境库兹涅茨曲线的情形，融入东亚生产网络是否使东亚各经济体成为高排放产业避难所，这对于东亚各经济体调整增长模式、优化贸易结构具有重要的现实意义。

改革开放以后，中国开始融入东亚生产网络，并逐渐上升成为重要成员；本世纪以来，中国加快了参与东亚生产网络的步伐，日益发挥了出口平台的作用。（唐海燕、张会清，2008）1978年中国对东亚贸易量占对外贸易总量的比重仅为10.8%，2012年这一比重已升至37.3%，表明中国对东亚生产网络参与度大幅度上升。随着中国日益融入以高排放产业为主的东亚生产网络，加剧了中国贸易结构碳排放强度高的特点，从而增加了中国二氧化碳排放。因此，从贸易部门的角度研究东亚地区二氧化碳排放的影响因素，对于中国经济与贸易的转型升级具有重要的意义。

二、文献综述

近20年来，国内外学术界对于经济增长、贸易开放与二氧化碳排放关系的研究已经非常密集。在经济增长与碳排放关系方面，Grossman和Krueger（1991）研究表明，污染物与人均收入之间并不是简单的线性关系，而是存在着倒U形关系。其后，Panayotou（1993）将环境污染与人均收入之间的这种倒U形发展轨迹命名为“环境库兹涅兹曲线”。Shafik（1994）、Burke（2008）、吴振信（2012）、胡宗义（2013）、贾登勋和黄杰（2015）等多数实证研究支持倒U形EKC曲线的存在，但Moomaw和Unruh（1997）、Lantz和Feng（2006）认为倒U型关系不存在，Friedl和Getzner（2003）、何小钢和张耀辉（2012）则提出了N型的环境库兹涅茨曲线。在贸易开放与碳排放关系方面，Grossman和Krueger（1993）最早指出贸易开放对碳排放的影响取决于规模效应、结构效应和技术效应的大小。Kondo等人（1998）、Ghertner和Fripp（2007）、Yan和Yang（2011）等人的研究表明，国际贸易活动是碳排放的重要影响因素。Grimes和Kentor（2003）、Managi（2004）、Frankel和Rose（2005）、Takeda和Matsuura（2006）等人的研究表明贸易开放导致了二氧化碳排放的增加，但也有研究如Cole（2004）、李小平和卢现祥（2010）则发现贸易开放减少了二氧化碳的排放。

随着国际生产网络和产业内贸易的发展，产业内贸易对与碳排放的影响引起了国内外学者的重视。Dean和Lovely（2008）、丘兆逸（2012）等研究表明产业内贸易是碳排放的重要因素。张少华和陈浪南（2009）、汪丽和燕春蓉（2011）等研究表明产业内贸易有利于我国环境改善。而金雪军（2008）、牛海霞和罗希晨（2009）则认为产业内贸易导致我国环境恶化。钱志权等（2014）认为东亚生产网络特殊的生产分工及产业内贸易，提升了东亚地区的技术水平和能源利用效率，减少了中国的二氧化碳排放。还有一些学者研究产业结构、外商直接投资等其他因素对于碳排放影响。

从国内外的研究来看，学者们大多赞同经济增长、贸易开放、产业内贸易等是二氧化碳排放的重要影响因素，但由于研究路径和假设的差异，得出的结论往往非常不同，同时基于贸易部门细分行业产业内贸易及各行业不同的贸易模式对于二氧化碳排放的影响的研究，文献较少涉及。从方法论角度看，随着数据包络方法（DataEnvelopeAnalysis，DEA）在评估经济活动的环境影响方面得到广泛应用，碳排放效率日益成为研究者关注的一个重点。碳排放效率是指用较少的碳排放生产同样数量合意的服务与产出，从碳排放效率角度出发探讨东亚区内外不同的贸易模式对于二氧化碳排放的影响，将扩展相关文献的研究结论。

三、基于ML指数东亚地区碳排放效率测算

（一）碳排放效率测算ML指数模型

本文的研究方法主要是基于数据包络模型的ML指数。这一指数的前身是瑞典经济学家Malmquist（1953）在分析消费过程中首次提出的Malmquist指数。之后，Caves等人（1982）将其用于生产效率的衡量。1997年，Chung等人（1997）通过数据包络方法（DEA）将抽象的思想模型化，提出了环境生产效率测度的ML指数。

该模型首先假设对时期t，第k个经济体的投入和产出为（xt，k，yt，k，bt，k），其中：xt，k为k地区t时期的投入；yt，k为合意产出，bt，k为非合意产出。ztk表示每一个横截面观测数值的权重，权重变量非负意味着生产技术规模报酬不变。式（1）中合意产出和投入变量的不等式约束表示合意产出和投入的强可处置性。非合意产出的约束意味着合意产出和非合意产出的联合弱处置性。

Dt0（xt，k′，yt，k′，bt，k′）=maxβs.t.∑Kk=1ztkytkm（1+β）ytk′m，m=1，...，M；∑Kk=1ztkbtki=（1+β）btk′i，i=1，...，I；∑Kk=1ztkxtkn

SymbolcB@（1+β）xtk′n，n=1，...，N；ztk0，k=1，...，K（1）

为了便于计算，引入基于产出的方向距离函数，方向向量为（g，-b）。如果方向距离函数的值为0，则表明该经济体生产在生产可能集前沿，具有技术效率；否则表示技术无效率。在基于产出的方向性距离函数的基础上，为衡量考虑了GDP产出的环境生产效率，Chung等（1997）还构造了基于产出的ML指数，从t期到t+1期的环境生产率指数为（2）。

MLt+1=[1+Dt0（xt，yt，bt；gt）][1+Dt0（xt+1，yt+1，bt+1；gt+1）]×[1+Dt+10（xt，yt，bt；gt）][1+Dt+10（xt+1，yt+1，bt+1；gt+1）]12（2）

ML指数代表了决策单位投入与产出的组合从t到t+1时期环境生产效率的变动情况。ML指数方法近年来常被用于碳排放效率的测算，如果ML指数比1大的值代表从t到t+1时期的一个正的碳排放效率的提升，反之，则意味着碳排放效率的下降。

为了将非合意产出纳入到ML指数计算模型中，有以下方法可以选择：（1）完全忽略非合意产出。（2）将非合意产出作为投入变量纳入模型，在既定的碳排放和投入向量情况下，可以实现产出的最大化，同时约束碳排放量的增长，但是这与实际生产过程不相符合。（3）将非合意产出进行递减的单调变换，如取非合意产出的倒数、负数、或者用一个较大的变量减去非合意产出等。这些方法都可以在既定投入向量的情况下，实现合意产出和非合意产出的递减的单调变换的最大化，也就是合意产出最大化和非合意产出的最小化，第三种方法可以保留非合意产出向量的凸性。本文选择第三种方法，将非合意产出碳排放量的倒数作为产出向量纳入到ML模型。

（二）数据说明

我们借助数据包络分析软件DEA2.1，选取中国大陆、香港、台湾省、日本、韩国、文莱、缅甸、新加坡、菲律宾、越南、泰国、印度尼西亚、马来西亚等东亚主要经济体作为研究对象，研究1994年至2012年各经济体的碳排放效率。在投入向量中，本文考虑实物资本存量、人力资本增强型就业人数和能源消耗总量。在产出向量中则采用实际GDP和二氧化碳排放量。

2005年不变价格和汇率水平的实际GDP（Y）来自联合国贸发会议（UNTCAD）数据库。二氧化碳排放量（EM）来自美国能源信息管理局（EIA）数据库。实物资本存量（K）：采取Barro和Lee（2010）的永续盘存法计算，各年份投资额来自世界银行数据库的总固定资本形成。以2005年的不变价格和汇率计算，全社会平均折旧率δt取0.06，1994年基期的资本存量根据K1994=I1994/（gt+δt）公式计算，g为各经济体1989年至1994年总固定资本形成的增长速度的几何平均值。柬埔寨、越南缺少1989年至1992年、1989―1993年的总固定资本形成数据，用1993至1997年、1994至1998年总固定资本形成的增长速度的几何平均值作为替代，世界银行缺少台湾有关数据，本文运用《台湾统计年鉴》中的相关数据对之进行了补充。人力资本增强型就业人数（H）：全社会就业人数来自UNTCAD数据库，全社会平均受教育年限来自Barro和Lee（2010），我们依据平均几何增长速度对其余年份数据进行了补充。能源消费总量（E）来自美国能源信息管理局（EIA）数据库。

（三）测算结果

根据上文方法运用DEA2.1软件计算得出东亚地区碳排放效率。从东亚地区碳排放平均值可以看出，1995至2012年间，韩国、日本、新加坡等国的碳排放效率是整体提高的，而其余的发展中经济体碳排放效率是年均下降的。对于这一计算结果，我们认为，韩国、日本、新加坡等国的碳排放效率提高是因为这些国家采用了先进的生产技术和管理。

从东亚地区碳排放效率整体情况看，仅有2000、2010等年少数年份碳排放效率与上年比有微幅提升，其余年份均呈下降状态（见图1）。东亚地区主要经济体的碳排放效率的几何平均值为0.9795，说明东亚地区在19年里碳排放效率是恶化的，年均下降2.05%，19年间累计下降约20%。这与东亚地区在这期间上升为全球主要碳排放的重点地区，碳排放量占全球碳排放量的三分之一这一事实是相吻合的。

在上世纪70年代以来，东亚地区逐渐形成了垂直专业化分工、零部件贸易为特点的生产网络，全球一些高能耗产业也逐渐循着这一生产网络在东亚地区扩散。东亚生产网络的发展是否影响了东亚各国的碳排放效率？接下来，笔者将运用面板数据模型对此进行分析。

四、碳排放效率影响因素分析

（一）实证模型设定

我们运用数据包络方法测算的结果是各国的整体碳排放效率，为了反映东亚贸易开放和区内贸易模式对碳排放效率的影响，我们需加入影响一国整体碳排放效率的影响因素作为控制变量。遵循文献的一般做法，我们加入人均GDP及其平方项、产业结构、开放度、外商直接投资、产业内贸易指数等经济活动和开放经济指标作为控制变量，反映经济活动的水平、经济结构变化、投资贸易自由化其对于一国整体碳排放效率的影响；加入人均实际GDP的平方项代表环境库兹涅茨效应，反映随着收入的增长，碳排放效率先降后升的现象。综上所述，面板数据模型如下：

其中：i=1，…，N，为截面单元；t=1，…T为时间期数；λ为时间效应；μ为个体效应。模型的被解释变量碳排放效率指数ML则按前文计算所得，为了得到18年间二氧化碳排放效率累积变化，我们以1994年为参照期，按照MLt=∏tn=1MLn*100计算碳排放效率相对于基期的变化指数。lnPGDP为实际GDP；（lnPGDPit）2为环境库兹涅茨效应；人均GDP为2005年不变价格物价和汇率；lnOPEN为开放度，为各国进出口贸易额与GDP比值；lnINT=ln{[1-∑ni=1Xi-Mi/∑ni=1（Xi+Mi）]*100}为产业内贸易指数，我们依据Grubel和Lloyd（1975）方法和UNCTAD数据库中东亚各经济体之间SITCRev3.0三分位下256种产品的相互贸易数据计算而得；lnSTR为各国第二产业与第三产业的相对规模，用第二产业与GDP的比值除以第三产业占GDP的比值。第二产业碳排放强度高于第三产业，因此，相对规模可以反映产业结构对于碳排放的影响。Zit为贸易结构向量，具体计算方法见下文。除人均GDP及其平方项外其他变量以100为单位。所有变量都经过对数处理，以降低模型的异方差性。上述变量除产业结构指数原始数据来自亚洲开发银行（ADB）外，其余来自UNCTAD。各主要变量的描述性统计见表3。

为进一步考察东亚生产网络独特的贸易模式对碳排放效率的影响，我们加入了贸易结构向量Zit用以比较东亚各经济对区内和世界其他地区（RestofWorld，ROW）的产业内贸易和出口结构对碳排放效率的影响。在产业内贸易方面，考虑到东亚生产网络垂直专业化分工、零部件贸易和产业结构重工业化的特点，我们挑选了SITCRev3.0三分位产品中能源密集产品lnINTEN、零部件lnINTPC、技术与知识密集型lnINTTK等三类产品产业内贸易，分别计算了东亚各国对区内和ROW这三类产品产业内贸易指数。在出口贸易结构方面，我们依据要素密集度和技术等级将SITCRev3.0三分位下256种出口贸易品划分为资源密集型初级产品lnEXRI、劳动密集型低技术产品lnEXLL、中等技术产品lnEXMT以及高技术产品lnEXHT，分别计算了东亚各国对区内和ROW这四类产品出口的比重。

（二）面板模型估计

我们对实证模型进行了估计，其结果见表5。在此基础上我们又对有关数据进行了面板单位根检验。检验结果表明，所有的变量均为一阶单整序列，即I（1）。Kao检验显示各变量之间存在着长期协整关系，Hausmann检验显示，应当建立固定效应模型。我们运用时间和个体双固定效应模型对东亚各国碳排放效率、人均国内生产总值、环境库兹涅茨效应、开放度、产业内贸易指数、产业结构以及外商直接投资等变量进行了回归分析，绝大多数变量都通过了1%的显著性检验，F统计量检验均通过1%的显著性检验表明解释变量对被解释变量的联合解释能力较强。

注：***表示在1%显著性水平显著，**表示在5%显著性水平显著，*表示在10%显著性水平显著

模型（1）表明，在东亚经济体内，人均GDP、开放度、产业结构、外商直接投资等变量与碳排放效率成负相关，环境库兹涅茨曲线效应、产业内贸易与碳排放效率成正相关。上述系数表明，随着东亚经济体各成员的经济增长，存在着环境库兹涅茨曲线效应，碳排放效率与人均GDP存在着U型关系。在人均GDP较低时，人均GDP增长会恶化碳排放效率；当人均收入达到一定的门槛之后，随着收入的增长，碳排放效率会得到改善。随着贸易开放和各国投资的自由化，碳排放效率有恶化的趋势，这在一定程度上证实了在东亚地区存在着“污染避难所”的效应。同时，东亚区域内的各经济体的产业内贸易与碳排放效率总体上是正相关的，说明产业内贸易扩张能够带来碳排放效率的提升。

模型（2）、模型（3）显示了东亚各经济体对东亚区内和ROW不同产品产业内贸易对碳排放效率的影响。东亚地区之间的零部件贸易明显恶化了区内的碳排放效率，而对区外零部件产业内贸易则影响不明显，这表明随着垂直专业化和零部件贸易为主要特点的东亚生产网络的发展，该地区碳排放效率明显恶化。东亚区内能源、技术与知识密集型产品产业内贸易对碳排放效率提升效果要显著高于区外贸易，说明东亚地区存在着技术溢出效应，能源、技术与知识密集型产品的产业内贸易促进了低碳技术在区内的扩散，进而提升了东亚地区整体碳排放效率。

模型（4）、模型（5）则显示了东亚各经济体出口贸易结构变化对于碳排放效率的影响。实证模型表明，不论区内外，资源密集型初级产品、劳动密集型低技术产品出口比重的上升都有利于碳排放效率的提升，中级技术产品对于碳排放效率的影响不明显。有趣的是，与世界其他地区不同的是，东亚区内高技术产品出口比重的上升却显著降低了各国碳排放效率。这或许是因为东亚生产网络的产业结构有重工业化的特点，各国对东亚区内出口的高技术产品能源密集度高于世界其他地区。

五、结论与对中国的政策启示

本文运用数据包络方法测算了东亚十三个主要经济体碳排放效率，并对碳排放效率的影响因素进行实证检验。研究表明，东亚地区碳排放效率有整体下降趋势，各经济体之间碳排放效率差异较大且有扩大的趋势。东亚各经济体对区内与区外不同的贸易模式对二氧化碳排放有着十分不同的影响，融入以垂直分工、零部件贸易、高排放产业为主要特点的东亚生产网络是碳排放效率恶化的重要原因，产业内贸易尤其是知识、技术、能源密集型产品的产业内贸易则有助于改善碳排放效率。

对于中国而言，中国处在城市化和工业快速增长时期，碳排放效率恶化在所难免，同时随着中国在东亚地区发挥着生产组织和对外出口的平台作用，加剧了碳排放效率长期恶化趋势。中国应当采取积极措施，既有效利用东亚生产网络的技术溢出，又避免参与高排放产业为主的国际分工所导致的碳排放增长。首先，应当审慎评估参与东亚生产网络的环境影响，加强对区内高能耗的外来直接投资和贸易品出口的监管，加大国内环境规制力度，稳步推进开征能源税、资源税，降低高能耗出口贸易品在环境成本方面的比较优势，缓解融入东亚生产网络给减排带来负面效应。其次，积极从区内发达经济体引进节能减排技术，提高自身低碳技术水平和能力，改善国内碳排放效率。最后，应当积极调整能源依赖型出口贸易结构，控制低附加值、高排放的低端工业制成品出口过快增长，大力发展生产贸易等高附加值、低排放的高端出口贸易。

参考文献：

[1]Athukorala.ProductFragmentationandTradePatternsinEastAsia，AsianEconomicPapers，MITPress，2005，4（3）：1-27

[2]BarroR.J.，Lee，J.W.ANewDataSetofEducationalAttainmentintheWorld：1950-2010[R].NBERWorkingPaper，No.15902，2010.

[3]Caves，D.W.，ChristensenL.R.，DiewertW.E.MultilateralComparisonsofOutput，Input，andProductivityUsingSuperlativeIndexNumbers[J].EconomicJournal，1982（92）：73―86.

[4]Chen，T.L.，Lai，P.Y.AComparativeStudyofEnergyUtilizationEfficiencybetweenTaiwanandChina[J].EnergyPolicy，2010，38（5）：2386-2394.

[5]Chung，Y.H.，Fre，R.，Grosskopf，S.ProductivityandUndesirableOutputs：ADirectionalDistanceFunctionApproach[J].JournalofEnvironmentalManagement，1997，51（3）：229-240.

[6]Dean，J.M.，Lovely，M.E.TradeGrowth，ProductionFragmentation，andChinasEnvironment[R].NBERWorkingPapersNo.13860，2008

[7]Ghertner，D.A.，Fripp，M.TradingAwayDamage：QuantifyingEnvironmentalLeakageThroughConsumption-based，Life-cycleAnalysis[J].EcologicalEconomics，2007，63（2）：563-577.

[8]Grimes，R.，Kentor，J.ExportingtheGreenhouse：ForeignCapitalPenetrationandCO2Emissions1980-1996[J].JournalofWorld-SystemsResearch，2003（2）：261-275.

[9]Grossman，G.M.，Krueger，A.B.EnvironmentalImpactsoftheNorthAmericanFreeTradeAgreement[R].NBERWorkingpaper，No.3914，1991.

[10]Grubel，H.G.，Lloyd，P.J.Intra-industryTrade：theTheoryandMeasurementofInternationalTradeinDifferentiatedProducts[M].London：Macmillan，1975.

[11]GutierrezL.OnthePowerofPanelCointegrationTests：aMonteCarloComparison[J].EconomicsLetters，2003，80（1）：105-111.

[12]Lantz，V.，Feng，Q.AssessingIncome，Population，andTechnologyImpactsonCO2EmissionsinCanada：WherestheEKC？[J].EcologicalEconomics，2006，57（2）：229-238.

[13]Landesmann，M.andR.Stehrer，StructuralPatternsofEast-WestEuropeanIntegration：StrongandWeakGerschenkronEffects[R]，HamburgInstituteofInternationalEconomicsFlowenlaDiscussionPaper，No.16，2003.

[14]Malmquist，S.IndexNumbersandIndifferenceSurfaces[J].TrabajosdeEstadística，1953，4（2）：209-242.

[15]Moomaw，W.R.，Unruh，G.C.AreEnvironmentalKuznetsCurvesMisleadingUs？TheCaseofCO2Emissions[J].EnvironmentandDevelopmentEconomics，1997（2）：451-463.

[16]Peneder，M.，IntangibleInvestmentandHumanResources[J].JournalofEvolutionaryEconomics，2002，12（1-2）：107-134.

[17]Yan，Y.F.，Yang，L.K.ChinasForeignTradeandClimateChange：ACaseStudyofCO2Emissions[J].EnergyPolicy，2010（38）：350-356.

[18]何小钢，张耀辉.中国工业碳排放影响因素与CKC重组效应――基于STIRPAT模型的分行业动态面板数据实证研究[J].中国工业经济，2012（1）：26-35.

[19]金雪军，卢佳，张学勇.两种典型贸易模式下的环境成本研究-基于浙、粤两省数据的对比分析[J].国际贸易问题，2008（1）：48-54.

[20]李小平，卢现祥.国际贸易、污染产业转移和中国工业CO2排放[J].经济研究，2010（1）：15-26.

[21]丘兆逸.国际垂直专业化中污染工序转移研究――以我国为例[J].国际贸易问题，2012（4）：107-114.

[22]钱志权，杨来科，林基.东亚生产网络、产业内贸易与二氧化碳排放――基于中国与东亚经济体间面板数据分析[J]，国际贸易问题，2014（4）：110-117.

碳排放的影响因素范文篇11

摘要：随着中国参与国际碳交易的不断深入，越来越多的业内人士认为，中国缺失碳交易价格话语权是中国处在国际碳交易被动地位的主要原因。文章基于防范低碳经济“陷阱”的角度，对此观点的准确性提出了质疑，并分析了原因，进而从需求、供给、市场和政府限价因素等四个方面提出了建立我国碳交易价格机制的模型，指出从制度基础、碳价格实现场所、设立碳排放的登记机关、开展碳期货交易和建立碳经纪人制度等方面的运行条件。

关键词：碳交易价格；话语权；质疑

中图分类号：F746.18文献标识码：A文章编号：1002－736X(2012)03－0035－03

2003年的英国能源白皮书首先提出发展低碳经济的理念，指出低碳经济是以低能耗、无污染为基础的绿色生态经济。随着联合国气候变化峰会的结束以及哥本哈根气候峰会的召开，“低碳经济”和“碳排放”问题在国际范围具有了“普世性”，中国近年来也顺应潮流大力发展低碳经济并将其作为未来经济发展的一种重要路径选择。

一、问题的提出

国际碳交易市场分为两类：基于配额的市场和基于项目的市场，后者进行清洁发展机制(CDM)项目、联合履行(JI)项目两类交易。2005年以来，全球碳交易市场持续快速扩张。据世界银行预测，全球碳交易在2008－2012年间，市场规模每年可达到600亿美元，2012年全球碳交易容量为1500亿美元，有望超过石油市场，成为世界第一大市场。中国碳排放权交易的主要类型是基于项目的交易。目前，中国拥有巨大的碳排放资源和市场开发潜力已经是一个不争的事实，而中国的碳排放实际价格与理论价格水平相差甚远。据此很多业内人士表示，作为碳排放大国和非减排义务国的中国，已成为全球碳减排资源供给大国，却始终处于碳交易价值链的最低端，在为发达国家提供了巨量减排资源的同时向它们输送了巨额经济利益，其原因在于中国缺乏碳交易定价权。

笔者认为，与铁矿石交易不同，碳交易不存在定价权的问题，中国碳交易定价权缺失是一种不准确的说法。碳交易商品具有自身的独特性，其交易市场和定价机制均具有特定的自身条件，区别于传统国际实体贸易，如果缺乏前提条件的研究把两者等同看待，就容易落入欧美极力倡导“低碳经济”提法背后所蕴含的陷阱，重蹈发展中国家贫困化经济增长的覆辙，这是我国经济发展过程中需要思考和警惕的重要问题。

二、基于“低碳”陷阱分析

所谓“低碳”陷阱是针对当今发达国家凭借技术和资金上的优势，通过环境问题来设定棋局，制定碳排放交易市场、碳金融市场和碳交易核查等相关规则中的霸权，进行对中国等发展中国家的新一轮经济洗劫。认识低碳陷阱最关键点在于认清碳交易中相关规则制定的主导性问题，把中国在进行国际碳交易过程中出现的多种困难归咎于话语权缺失，有悖于以下三点的共识。

(一)碳成为商品是欧洲法律框架的产物

目前，碳在中国还不成为商品，中国碳交易市场和制度的建立还处在商榷阶段，距离其全面启动还有很长的一段发展道路。中国同印度一样，是全球最大的碳卖家，但中印均缺乏碳交易市场，全球主要的碳买家不得不舍近求远，到欧洲Bluenext市场或美国证券交易所去购碳。即使将来中国有碳交易制度了，也不见得要与欧洲进行价格上的比较。碳价是反映国家、企业对这套制度的承受能力，好比欧洲能承受100～200多元碳价，中国只能承受30～60多元的碳价，碳价不存在要绝对统一的情况，不同国家、地区，碳的界定由于标准的不同也存在不一致的情况。事实上，在现实的碳排放交易市场中，世界各国大多参考欧洲碳交易所规定的价格，对于核定减排额(CER)，国家发改委关注的也是欧洲的价格。

(二)按欧美规则争夺碳交易话语权，容易以牺牲经济发展为代价

参与国际碳交易，要求的条件不低。中国目前还处于城市化建设的发展初期，基础设施的大量建设、人民消费结构的不断优化升级都将使得能源需求和温室气体排放量会稳步增长，与此同时，国内技术水平相对落后，经济总量的增长对高碳能源的依存度较高，能源利用效率低下都是中国经济发展过程中必须面对的现实。有数据显示，目前，我国的单位GDP能耗和主要能源能耗均高于主要能源消费国家的平均水平，而大气污染和温室效应(包括碳排放)的变化曲线，呈现出一个“倒u”型的变化趋势。如果现在以同等“低碳配额”作为定价标的，中国等发展中国家(处于“倒u”型顶点的左侧)付出的成本和代价要大于发达国家(处于“倒u”型顶点的右侧)，它们之间是不等价的，其中暗含了发展中国家为发达国家的历史碳排放买单的陷阱。而纵观历史看，英国和美国的二氧化碳人均历史排放量约达1100吨，而中国和印度的人均水平分别为66吨和23吨。根据联合国开发计划署的《2007－2008年人类发展报告》，到2015年，中国的人均碳排放量预计会达到5.2吨，只相当于届时美国人均19.3吨的1／4，或相当于整个发达国家平均水平的1/3，但十年内中国仍为世界最大的二氧化碳排放国是不争的事实。发展中国家(处于“倒u”型顶点的左侧)付出的成本和代价要大于发达国家(处于“倒u”型顶点的右侧)，它们之间是不等价的，其中暗含了发展中国家为发达国家的历史碳排放买单的陷阱。而纵观历史看，英国和美国的二氧化碳人均历史排放量约达1100吨，而中国和印度的人均水平分别为66吨和23吨。根据联合国开发计划署的《2007－2008年人类发展报告》，到2015年，中国的人均碳排放量预计会达到5.2吨，只相当于届时美国人均19.3吨的1／4，或相当于整个发达国家平均水平的1/3，但十年内中国仍为世界最大的二氧化碳排放国是不争的事实。

(三)具有独特性质碳商品定价机制遵循独特的运行轨迹

当前中国主要涉及的CDM项目交易，碳排放权商品属于无形商品，其商品品质需要特定的机构进行核证，另外其非实物性的特性使其成本核定不是按一般商品的生产成本而主要是交易成本和风险成本。一吨二氧化碳值多少钱?谁来定价?怎么定价?这正是碳排放得以交易的基础，也是低碳经济、绿色金融的根本。芝加哥气候交易所副总裁黄杰夫在上海给出了一组数据：目前，在欧盟国家形成的是强制性碳交易体系，一吨二氧化碳售价可以超过10欧元；而在美国的自愿交易体系下，这一价格最高达到7～8美元，最低则只有2～3美元，这些价格都只是在欧美国家的部分地区有相对独立的价格体系。由于各个国家对于碳排放的义务并不相同，导致在全球不同地区形成的碳排放价格并不具有连续性，故二氧化碳或者碳排放在全球范围内的买卖活动缺乏形成一个类似于但又区别于石油或者大宗商品的价格体系。因此，在断裂的碳市场环境下，象价格、供求等市场符号就不能很有效地反应碳商品的真正价值。

三、目前国际碳交易定价机制模型及弊端分析

由于受地域、环境、国情和技术水平的影响，当前国际碳交易定价还没有形成一个广泛受世界各国所公认的碳价格定价机制。目前碳价格交易体系主要有两大体系：欧盟碳交易所规定的价格体系(EUETS)和美国芝加哥气候交易市场价格体系(CCX)。当今世界最大的跨国、跨产业的温室气体排放市场便是EUETS，它涵盖了25个国家和1.1万多项设施。这一体系非常活跃，参与交易者包括银行、碳密集型行业公司和碳基金等。根据我国的发展情况，中国更

存入我的阅览室

关注的是欧盟的价格体系。关注的是欧盟的价格体系。

(一)欧盟碳排放定价模型

EUETS的关键是碳排放定价模式。碳排放定价机制是指在竞争过程中，与产品供求相互联系、相互制约的碳市场价格的形成和运行机制。它建立在碳排放定价基础上，包括价格形成机制和价格调节机制。

主要数量模式是：剩余碳排放碳定价＝剩余碳排放量×碳强度系数×价格指数

1.剩余碳排放量主要是指企业在生产、运输、使用及回收该产品时所产生的平均温室气体排放量与碳排放配额的差值。

2.这里碳排放量应理解为动态的，是指每单位产品累积排放的温室气体量，同一产品的各个批次之间会有不同的动态碳排放量。

3.碳强度系数是指单位物品在单位时间内燃料或其它条件下释放出来的以CO2为主的碳量。

4.价格指数是指一组固定产品在一段时间内价格的变动情况。

碳排放定价价格调节机制涉及一些主要的构成因素，如碳交易市场、碳排放评价指标、碳税、碳补贴和碳排放配额等。

(二)弊端分析

在看到EUETS碳交易繁荣发展的同时，我们也看到其存在的碳定价机制的一般性问题，这些问题的存在是形成中国等发展中国家面临不等价碳交易的关键原因。

1.缺失合理价格的获取途径。碳排放价格极其不稳定。当在碳排放交易制度下信息不充分时，就无法确定最佳排放总量；即使按照某个标准固定排放总量，但由于排放量价格是由市场决定的，所以政策当局无法预测价格的变化。也就是说，当存在这种不确定性因素时，由于获取合理价格渠道的缺失，会引发市场参与者的战略或投机，许可证价格会遭遇暴涨暴跌的状况。实际上，EUETS由于排放权价格不稳定，因此没有发出正确的价格信号。EUETS中的EUA(EUAllowace：欧盟排放配额)的价格，在刚开市后立刻在大约18欧元／吨CO2至30欧元／吨CO2之间进行交易，价格的波动非常剧烈，而且其后的价格变化也不十分稳定。另外，从这个价格与各国的边际减排费用推算结果的相互关系来看，排放权的价格被严重低估。

2.国际碳商品价格现状隐含着高度的不稳定性和不确定性。EUETS价格的不稳定性和不确定性的原因有很多，大致可以分为两类：一类是由于排放权价格受到来自市场外的外部因素的影响；另一类是由于制度和交易机制本身的内部因素。外部因素包括政治动向、突发性事故或事件以及投机的影响。内部因素包括制度设计不完善、与排放权折旧期的相互关系和交易机制(选择什么样的交易方法)的影响。一般来说，外部因素往往容易受到关注，但是在制度设计上，尤其是后者的设定具有重要意义。当然，如何缓和外部原因的冲击这一问题，也像在金融市场一样得到充分的分析。但是，制度设计上的不完善问题更为重要，它不仅会导致该制度的崩溃，而且其低效的结构很可能给其他市场也带来影响。

3.基于碳交易机制的局限性，其价格机制形成存在偏差。如同当前的金融风险源于市场机制的缺陷性那样，国际碳交易市场也具有严重局限性。自《京都议定书》签署以来，西方经济学家、环保主义者和政客不断鼓吹“碳市场教条”，即出售各种碳信用额度是把资金和技术引向世界上最有价值的减排项目的有效途径。然而，国际碳交易市场不是自然形成的，完全是人为制造的，供求机制调节作用较弱，当然在这种特殊不完全市场条件下碳商品受供求关系的调节而反应其价值就不是一成不变的真理了。在当前以美元作为主导的货币体系中，不管是基于配额还是基于项目的碳交易，碳资源货币收入变化是无法替代国内各方面的福利要求的。因此，在参与国际碳排放权交易时切忌单纯追求货币收入的“经济增长”，应该以满足国民人文需求的“发展”为目标。

我们需要理性对待参与国际碳交易，但并不意味着我们不去参与，相反，积极利用类似当年联合国和关贸总协定的制定过程那样的重新制定世界基本规则的机会，参与国际碳排放权交易“游戏规则”的制定，而促进自身碳交易市场价格机制的形成是规避“低碳”陷阱的捷径。

四、中国碳交易定价机制设想

在一个确定的总量下，按简单的经济学原理，有了稀缺性，就可以定价。其实无论是欧盟排放交易体系还是美国交易体系，基础都是总量控制和交易机制，碳在欧美市场成为了稀缺资源，就可以形成价格。在中国目前没有形成完整的碳交易市场体系的前提下，碳暂时还不具备商品的实质性，但中国政府已经出台了45％的碳强度指标，这在客观上已经形成了二氧化碳排放的稀缺性。因此，抓紧建立中国碳交易定价机制，对于中国未来享有国际碳交易主导权具有深远意义。

(一)交易价格模型设想

根据马歇尔的均衡价格理论，中国碳交易价格以中国市场上的碳商品供给和需求以及由供求所决定的碳商品的均衡价格和均衡数量为主要考察对象，基于中国碳交易主要受到下列四个因素的影响。

1.需求因素(D)。由于目前我国已经是世界最大的碳排放权供应国，因此对碳交易商品的需求量是主要的碳价格影响因素。按照国际碳交易市场的计算范例，碳交易市场的需求量=配额数量Q1－实际排放量Q2。

2.供给因素(s)。中国已经成为全球最大碳排放配额供给方，此因素对中国碳交易市场的影响当然也不容忽视。在CDM条件下，对碳供给因素的影响构成主要是项目成本(c1)、项目文件开发成本(c2)、谈判成本(C3)和合格性审定成本(C3)等等。

3.市场因素(M)。基于目前我国尚未建立完善的碳排放期货市场，未开发出相应的碳排衍生品，碳价格信号滞后，这是目前我国碳交易市场建设中最难把握也是最敏感的因素。

4.政府限价因素(G)。我国政府限价因素的影响也是不容忽视的，根据《清洁发展机制项目运行管理办法》的规定，CER价格在项目设计之初必须由国家发改委审批。

基于上述分析，构建碳价格函数模型如下：

Pc＝F｛f(D(Q1，Q2))f(S(C1，C2，C3，C4……))f(M)f(G)｝

(二)运行条件

1.制度基础。由于碳价格计算基础之一是碳排放的总量控制，在现有的国际社会碳强度承诺的基础之上，通过某种技术或某种手段把碳强度指标转换为总量指标，从而形成碳排放总量控制制度；以分人均、人均GDP和行业先进标准等来作为参考指标逐步建立碳交易分配机制；建立涉及碳商品成本核定的碳源和碳汇的交易机制；各级政府有效监管、交易主体的自我监管以及第i方监管三个层次同时推进碳交易监管机制。

2.碳价格实现场所。只有在统一的市场中，碳价格交易机制才能不断完善和实现创新，整合资源，发挥最大功效。当今各省市纷纷建立起环境能源交易所、节能减排交易所和排污权交易所等交易平台，笔者认为，可以采用“6＋1”模式设立交易平台，即以中国当前碳交易基础较好的6个区域性和1个国家性的交易平台。政府可积极培育统一的交易市场，一方面可以保证市场效率，另一方面也有利于政府对交易所进行管理。

3.具有公权力的碳排放国家登记机关。登记制度可以使排放权的准入获得权利公示，使社会公众从登记资料中获得相关信息，还可以衍生出监督管理的功能以及权属变动和交割结算等功能。在经济发达国家出现一种倾向，即利用排放权交易洗钱，为了避免这一倾向，应要求这一系统必须披露与排放权交易有关的真正受益人以及相关信息。

4.碳期货交易。实现期货价差的套利，既可以保持价格体系的稳定也可以规避风险。交易主体可以通过金融衍生工具，利用现货市场与期货市场的反向操作进行盈亏相抵来规避价格波动的风险。碳期货、期权交易必须建立排放权的标准化合约，其包含产品上市价、合同类别、价格变化标准、交割价格、上市方式和清算机构等项目。

5.建立碳经纪人制度。一般投资者在从事碳交易时，对项目的来源、标准、认证、认购资金去向和VERS的存续等是没有能力与精力去调查和了解的，碳交易是需要经纪人制度的。碳经纪人需要具备极高的业务素养和专业知识，必须经过专业培训才能持有从业资格。如同证券经纪人、房产经纪人一样，投资者与项目开发者或企业间，需要碳经纪人的中介服务。监管机构可鼓励培育成立排放权交易协会，从事碳经纪人的培训与认证工作。

存入我的阅览室

关注的是欧盟的价格体系。关注的是欧盟的价格体系。

(一)欧盟碳排放定价模型

主要数量模式是：剩余碳排放碳定价＝剩余碳排放量×碳强度系数×价格指数

1.剩余碳排放量主要是指企业在生产、运输、使用及回收该产品时所产生的平均温室气体排放量与碳排放配额的差值。

2.这里碳排放量应理解为动态的，是指每单位产品累积排放的温室气体量，同一产品的各个批次之间会有不同的动态碳排放量。

3.碳强度系数是指单位物品在单位时间内燃料或其它条件下释放出来的以CO2为主的碳量。b>2为主的碳量。

4.价格指数是指一组固定产品在一段时间内价格的变动情况。

碳排放定价价格调节机制涉及一些主要的构成因素，如碳交易市场、碳排放评价指标、碳税、碳补贴和碳排放配额等。

(二)弊端分析

四、中国碳交易定价机制设想

(一)交易价格模型设想

基于上述分析，构建碳价格函数模型如下：

Pc＝F｛f(D(Q1，Q2))f(S(C1，C2，C3，C4……))f(M)f(G)｝

(二)运行条件

碳排放的影响因素范文篇12

摘要：人均二氧化碳排放的影响因素基于Kaya恒等式可以分解为人均GDP、能源结构和能源强度三个因素。VEC模型的实证结果显示我国存在二氧化碳库兹涅茨曲线，即人均二氧化碳排放随我国经济增长先恶化后改善的倒U形曲线，非化石能源比重与能源强度对我国二氧化碳减排影响显著，但方差分解方法显示能源结构因素和能源强度因素对我国二氧化碳排放的抑制作用非常有限。我国“十二五”期间和2022年的节能减排任务艰巨，只有坚持节约发展和清洁发展，才能实现减排目标。

中图分类号：F062.2文献标志码：A文章编号：10012435(2012)01002506

AnalysisofCO2KuznetsCurveinChinaBasedonVECM

LIUYing,RENYanyan(SchoolofEconomics,ShandongUniversity,Jinan250100,China)

Keywords:carbondioxideKuznetscurve;proportionofnon-fossilenergy;energyintensity;VECM

Abstract:TheinfluencingfactorsofpercapitaemissionscanbedecomposedasGDPpercapita,energystructureandenergyintensitybasedonKayaidentity.TheempiricalresultofVECMshowsthatCKC，theinvertedUshapedcurvebetweenemissionsandincome,holdsforChina.Moreover,bothproportionofnonfossilenergyandenergyintensityaresignificantonemissionsreduction.However,theresultofvariancedecompositiondisplaysthattheirrestrainingeffectsareverylimited.Inaddition,thetasksforenergysavingandemissionsreductionfortwelvefiveyearplanandin2022arestillarduous.Wemustinsistonconservativeandcleandevelopmenttoaccomplishourgoal.

2009年哥本哈根气候大会召开前，我国提出到2022年单位GDP二氧化碳排放比2005年下降40％至45％，在2011年德班大会上再次重申并表示在2022年后有条件接受量化减排协议，引起了国际社会的关注。由于我国正处在发展经济、改善民生、推进工业化和城市化的关键阶段，二氧化碳减排困难重重。研究二氧化碳排放的影响因素，预测二氧化碳排放的趋势，对于我们制订合理的减排计划、遵守减排承诺至关重要。

根据环境库兹涅茨曲线（EnvironmentalKuznetsCurve,EKC），在经济发展初期，二氧化碳排放将随经济增长而增加，当经济发展到一定阶段排放会随经济增长而逐渐减少，这种倒U形曲线关系被称为二氧化碳库兹涅茨曲线(CarbonDioxideKuznetsCurve,CKC)。Jalil等认为，CKC假说在中国是成立的，能源消费对二氧化碳排放影响显著而对外贸易影响不显著［1］。Acaravci等发现除了丹麦和意大利支持CKC假说外，其他国家均不支持［2］。Iwata等则发现二氧化碳排放和经济增长之间不是倒U型曲线关系，而是单调递增的线性关系［3］。杜婷婷等认为我国不存在CKC曲线，我国的二氧化碳排放与经济增长之间呈现“N”型曲线关系［4］。陆虹运用空间状态模型证明我国人均二氧化碳排放随人均收入上升而持续恶化［5］。国内外学者对于CKC假说难以得到一致的估计结果。国内学者对我国CKC的研究主要集中于二氧化碳排放与收入之间的关系，对收入以外影响二氧化碳排放的其他因素关注较少，缺乏对二氧化碳排放未来趋势方面的预测研究。Auci等将EKC模型分为未调整模型和调整模型，在未调整模型中只有人均GDP一次项和二次项两个解释变量，调整模型在未调整模型的基础上加入了其他影响排放的控制变量，比如国际贸易、收入分配、能源消费、能源结构和产业结构等［6］。很多学者认为调整模型的估计结果比未调整模型有效［6-8］。我们基于Kaya恒等式在未调整模型中加入了能源结构因素和能源强度因素两个控制变量，防止模型设定误差，使估计结果更稳健。同时，Romero-vila和Wagner的研究均表明计量模型的选择对CKC假说的估计结果意义重大［9-10］。我们用VEC模型分析人均排放与人均GDP、非化石能源比重和能源强度之间的协整关系，对我国人均排放的趋势进行预测，考察我国政府提出的“十二五”节能减排目标和2022年的减排承诺实现的可能性。

一、模型构建

（一）基于Kaya恒等式的人均排放影响因素分解

Kaya在1989年IPCC的研讨会上提出了著名的Kaya恒等式：

C=CE×

EGDP×

GDPP×P，其中C、E、GDP和P分别代表一国二氧化碳排放总量、一次能源消费量、国内生产总值和人口数量。这种通过构造链式乘积的方法将二氧化碳排放影响因素分解为能源碳排放强度CE、能源强度EGDP、人均GDP和人口四个因素。其中能源强度是用单位GDP能耗来衡量的，反映了一国经济对能源的依赖程度，能源碳排放强度CE可以转化成iEiE×CiEi，其中i表示第i种能源，EiE表示第i种能源在一次能源消费中的比重，CiEi表示第i种能源的碳排放系数。这样Kaya恒等式就可以进一步转化为

CP=iEiE×

CiEi×

EGDP×

GDPP。由于目前还没有成熟的二氧化碳减排技术，各种能源的碳排放系数基本保持不变，因此能源碳排放强度大体上就由能源结构决定［11］。转化后的Kaya恒等式意味着人均二氧化碳排放由人均GDP、能源结构和能源强度三个影响因素驱动。

（二）CKC调整模型

基于转化后的Kaya恒等式的分析，我们将能源结构因素和能源强度因素作为控制变量加入到未调整的CKC模型，特别地，我们用非化石能源比重代表能源结构因素。建立我国CKC调整模型的对数形式为：

ln(co2)t=β0+β1lnyt+β2(lnyt)2+β3ln(es)t+

β4ln(ei)t+εt（1）

其中co2表示人均二氧化碳排放，y表示人均GDP（按2005年不变价格计算），es表示非化石能源比重，ei表示能源强度，εt为随机扰动项。我们对所有的变量都作对数变化是为了把握其线性趋势。

二、实证分析

（一）数据来源及描述性分析

人均二氧化碳排放数据来源于美国能源部二氧化碳信息分析中心（CarbonDioxideInformationAnalysisCenter，CDIAC）。GDP和人口数据来源于宾夕法尼亚大学国际比较中心创立的PennWorldTable

7.0，非化石能源比重和一次能源消费数据来源于世界银行WDI。样本区间为1971-2008年。在此期间我国二氧化碳排放和GDP分别增长了6.8倍和22.8倍，人均二氧化碳排放和人均GDP分别增长了4.0倍和14.2倍，非化石能源比重上升了4.4倍，能源强度下降了77.3%。从图1可知我国的人均排放除了在1996-1999年出现短暂的改善外，从总体上呈现随人均GDP增长而逐年恶化的趋势，而且从2000年开始加速上升。如果CKC假说在我国成立，那么式（1）中β1＞0和β2＜0应同时成立，这就是CKC假说声称的倒U形曲线，而预期人均二氧化碳排放会随着非化石能源比重上升和能源强度下降而下降，即β3＜0而β4＞0。

图11971-2008年人均二氧化碳排放与人均GDP散点图

（二）平稳性检验

我们同时采用ADF检验和Phillips-Perron检验（PP检验）两种方法来对各个变量进行单位根检验以保证检验的稳健性。ADF和PP两种单位根检验方法均表明人均二氧化碳排放、人均GDP一次项、人均GDP二次项、非化石能源比重和能源强度的自然对数序列是差分后平稳序列即一阶单整序列（I（1），见表1）。

（三）Johansen协整检验

以上I（1）序列的矩，如均值、方差和协方差会随时间改变而改变，但这些序列的线性组合序列却可能具有不随时间变化的性质，假如这种平稳的或I（0）的线性组合存在，这些非平稳的时间序列之间被认为具有协整关系，即稳定的长期均衡关系。采用Johansen协整检验的迹检验方法可以在1%的显著性水平上拒绝“协整秩为0”的原假设，表明以上I（1）序列之间具有协整关系（见表2）。尽管无法拒绝“最大秩为2”的原假设，但考虑到人均排放与人均GDP、非化石能源比重、能源强度之间如果存在稳定的长期均衡关系，则这种均衡关系必定是唯一的，因此我们将协整秩设为1。

（四）协整方程与误差修正模型

VEC模型可以看作是带有协整约束的VAR模型，既可以考察长期效应，也可以考察短期效应。我们用VEC模型来探求人均排放与人均GDP、非化石能源比重和能源强度之间的长期均衡关系，以及各个解释变量的短期波动对人均排放的冲击。人均排放的1阶差分作为被解释变量的误差修正模型为以下形式：

Δln(co2)t=α1+β11Δln(co2)t-1+β12Δlnyt-1)+β13Δ(lnyt-1)2+β14Δln(es)t-1+

β15Δln(ei)t-1+λ1ecmt-1+εli

（2）

综合AIC信息准则、BIC信息准则和样本容量因素确定VEC模型对应的VAR系统滞后阶数为2，此时的VEC模型是稳定的，也通过了残差自相关的诊断性检验。

式（2）的解释变量由人均排放1阶差分的滞后项、式（1）中所有解释变量的滞后项和误差修正项组成。β12、β13、β14、β15反映式（1）中解释变量的短期变化对人均排放短期波动的影响。ecmt-1是误差修正项，反映变量之间的长期均衡关系，λ1为误差修正项的系数，表示当人均排放偏离其长期均衡状态时向均衡状态调整的速度。

由表3协整方程系数可知，从长期来看，人均GDP一次项、人均GDP二次项、非化石能源比重和能源强度对人均二氧化碳排放的影响都是显著的。与CKC假说相一致，式（1）中β1符号为正，β2符号为负，人均排放与人均GDP呈现倒U形曲线关系，说明我国人均排放会经历一个随经济增长先恶化而后逐渐趋于改善的过程。同时，与预期相一致，β3符号为负而β4符号为正，说明改善能源结构和降低能源强度将会促进二氧化碳减排，其中非化石能源比重每提高一个百分比，人均排放就可以减少0.239%，能源强度每降低一个百分比，人均排放就可以减少0.883%。在表3的误差修正模型中λ1为0.661，不仅显著且符号也符合预期，预示着当人均排放偏离长期均衡状态时它将以66.1%的速度向均衡状态调整。当发生人均排放的短期冲击时，这个调整速度是非常迅速的。值得注意的是，与CKC假说相反，β12＜0而β13＞0，说明人均排放与人均GDP之间为正U型曲线关系，可见在短期内经济增长对恶化二氧化碳排放的力量比较明显。同时，非化石能源比重和能源强度在短期内对二氧化碳排放没有显著影响。一个可能的解释是非化石能源在一次能源消费中的比重过小且在短期内很难改善，同时能源强度的降低即能源效率的提高在短期内也很难实现，因而无法对二氧化碳减排发挥作用，而在长期，非化石能源比重和能源强度在短期的影响逐渐累积从而对人均排放产生显著影响。

（五）人均排放的方差分解

用方差分解方法可以分析每一个结构冲击对人均排放波动的贡献度，通过计算这个贡献度在总贡献中的比例可以分析每一个结构冲击的相对重要性。由表4可知，除了人均排放本身外，人均GDP（包括一次项和二次项）对解释人均排放的预测方差起到了重要作用，能源结构次之，能源强度起到的作用则非常微弱。在“十一五”期间，我国鼓励开发可再生能源，如风能、太阳能和生物燃料。“十二五”期间，我国将加快推进包括水电、核电等非化石能源发展，积极有序做好风电、太阳能、生物质能等可再生能源的转化利用，这将显著减少煤炭消耗，并弥补石油和天然气资源的不足。在中国科学院提出的能源科技发展规划中，我国将在2050年前后建成可持续能源体系，总量上基本满足经济社会发展的能源需求，结构上对化石能源的依赖度降低到60%以下，可再生能源成为主导能源之一。我国非化石能源在一次能源消费中的比重在1971-1999年间年均增长5.3%，进入21世纪以来，非化石能源建设速度有所加快，年均增长6.4%，但从世界范围看，我国非化石能源在能源结构中的比重是偏低的，以2008年为例，我国非化石能源比重为3.5%，远低于9.1%的世界平均水平，更低于发达国家的一般水平。因此，尽管能源结构因素对减排影响显著，但是非化石能源比重对人均排放预测方差的贡献度最高只有9.4%，现阶段我国能源结构因素对人均排放的抑制作用还很有限，能源强度对人均排放预测方差的贡献度则更小，最高仅为1.9%。我国能源消耗高、效率低、环境压力大，能源强度不仅高于许多发达国家，也高于许多发展中国家。能源强度对二氧化碳减排影响显著，但能源强度的改善、能源效率的提高是个长期而复杂的过程，现阶段改善能源强度对我国二氧化碳排放的抑制作用还没有发挥出来。

（六）二氧化碳排放预测

用2006年以前的数据来估计VEC模型，然后预测2006-2008年三年的数据，并与实际观测值比较，如图2所示，预测都落在了99%的置信区间之内，对人均GDP和能源强度的预测比较准确，对人均排放和非化石能源比重的预测次之。表5给出了用VEC模型预测我国“十二五”到2022年期间人均排放、人均GDP、非化石能源比重和能源强度的变化趋势。根据测算，“十二五”期间我国单位GDP二氧化碳排放和单位GDP能耗分别会下降15.5%和12.0%，这和我国提出的降低17%和16%的目标有距离；我们预计2022年我国单位GDP二氧化碳排放比2005年下降39.0%，这与我国政府提出的下降40％至45％的承诺有差距。估计到2022年非化石能源占我国一次能源消费仍不到4%，我国政府提出：“十二五”期间我国非化石能源占一次能源消费的比重要提高到11.4%，到2022年要提高到15%，从预测看，我国的非化石能源建设过慢。过度依赖煤炭等化石能源的发展不仅严重污染环境，也是不可持续的，必须大力发展非化石能源，提高其在一次能源消费中的比重，才能够有效降低二氧化碳排放，保护生态环境，并降低化石能源不可持续供应的风险。

三、结论与启示

运用我国1971-2008年的经济、能源和环境数据来实证分析人均二氧化碳排放的影响因素并对人均排放的趋势预测，得出以下结论与启示：

1.人均排放、人均GDP、非化石能源比重和能源强度在我国存在稳定的长期均衡关系，且人均GDP、非化石能源比重和能源强度对人均排放影响显著。

2.CKC假说在我国是成立的，表明我国二氧化碳排放会经历一个随经济发展先恶化再逐渐改善的过程，但是，单纯依靠经济增长自身实现二氧化碳减排是不现实的，发达国家“先污染后治理”的老路在我国行不通。我国目前仍处在二氧化碳排放逐渐恶化的阶段，高投入、高消耗、高排放、难循环、低效率的粗放型增长方式在我国还没有发生根本转变。我国若要以较快的速度实现CKC假说声称的倒U型路径，必须调整能源结构，加快转变经济增长方式，才能使人均排放随经济增长而趋于改善。

3.人均排放的方差分解方法表明经济增长因素对我国人均排放的解释程度最高，而能源结构因素和能源强度因素对我国二氧化碳排放的抑制作用则非常有限。

4.经过对VEC模型进行预测，基于我国经济增长方式和资源使用现状，我们认为，我国政府实现“十二五”节能减排目标和2022年减排承诺任务非常艰巨。我国必须降低能源强度，提高能源使用效率，同时优化能源结构，加快发展非化石能源。积极应对气候变化，采取低碳型发展方式，不仅是国际潮流，也日趋成为一种国际压力，我们只有在发展方式的转型上增强紧迫感，深化节能减排，坚持节约发展和清洁发展，才能完成预定的减排任务、遵守我国的减排承诺，履行我国作为发展中大国的责任。

参考文献：

［1］JalilA,MahmudSF.EnvironmentKuznetscurveforCO2emissions:acointegrationanalysisforChina［J］.EnergyPolicy,2009,（37）:5167-5172.

［2］AcaravciA,OzturkI.Ontherelationshipbetweenenergyconsumption,CO2emissionsandeconomicgrowthinEurope［J］.Energy,2010,（35）:5412-5420.

［3］IwataH,OkadaK,SamrethS.AnoteontheenvironmentalKuznetscurveforCO2:Apooledmeangroupapproach［J］.AppliedEnergy,2011,（88）:1986-1996.

［4］杜婷婷,毛锋，罗锐.中国经济增长与CO2排放演化探析［J］.中国人口资源与环境，2007，（2）：94-99.

［5］陆虹.中国环境问题与经济发展的关系分析［J］.财经研究，2000，(10)：53-59.

［6］AuciS,BecchettiL.TheinstabilityoftheadjustedandunadjustedenvironmentalKuznetscurves［J］.EcologicalEconomics,2006,（60）:282-298.

［7］CopelandBR,TaylorMS.Trade,growthandtheenvironment［J］.JournalofEconomicLiterature,2004,（42）:7-71.

［8］Stern,DI.TheriseandfalloftheenvironmentalKuznetscurve［J］.WorldDevelopment,2004,32(8):1419-1439.

［9］Romero-vilaD.QuestioningtheempiricalbasisoftheenvironmentalKuznetscurveforCO2:Newevidencefromapanelstationaritytestrobusttomultiplebreaksandcross-dependence［J］.EcologicalEonomics,2008,（64）:559-574.

标签：

当前农业发展存在的问题范例(3篇)

当前农业发展存在的问题范文关键词：农村经济发展；问题；对策一、引言我国是一个典型的发展中国家，经济基础相对于其他国家而言比较落后。随着改革开放政策的不断深入实施，城乡居..

daniel 0 2024-03-19 14:32:13
当前农业发展的现状范例(3篇)

当前农业发展的现状范文关键词：农业经济管理；现状；发展趋势我国是传统的农业大国，农业经济在我国的国民经济中占有十分重要的地位。但是由于我国农业现代化发展的起步较晚，目前..

daniel 0 2024-03-19 14:00:13
在沙漠中心教案范例(3篇)

在沙漠中心教案范文篇1生活在荒无人烟的沙漠或许就是它们的宿命，却更像是上天的刻意安排。因为它们从不抱怨，随遇而安的脾性与生俱来。这是一个温暖的午后，一位旅者牵着骆驼艰..

daniel 0 2024-03-19 13:28:13
鼓励教育的好处范例(12篇)

鼓励教育的好处范文篇1苏霍姆林斯基曾说过，在人的心灵深处，都有一种根深蒂固的需要，这就是希望自己是一个发现者、研究者、探索者，而这种需要在学生的精神世界中尤为重要。为此..

daniel 0 2024-03-19 12:56:13
大学教师的工作总结范例范文(整理1

大学教师的工作总结范例篇1自20xx年6月25日带着一丝初涉教坛的懵懂与激动步入工作岗位以来，时间在与学生快乐而紧张的学习生活中飞速流逝，一眨眼，在肃南一中工作已经多半年了..

daniel 0 2024-03-19 12:32:00
鼓励式教育的重要性范例(12篇)

鼓励式教育的重要性范文篇1一、党员教育创新与实践的重要性企业党员教育工作是党建的基础性工作，创新党员教育工作有利于确保党员的模范带头作用对基层职工的影响，从而促使员..

daniel 0 2024-03-19 12:24:13
护理教育的现状和发展趋势范例(12

护理教育的现状和发展趋势范文篇1【关键词】pbl教学;护理教育;研究生护理研究生教育是培养护理管理、教学、科研以及临床高级护理人才的有效途径，是高等护理教育中的重中之..

daniel 0 2024-03-19 11:52:13
对护理专业的认识及感想范例(3篇)

对护理专业的认识及感想范文篇1【关键词】男护士职业流失管理理论压力在现代护理发展过程中，护理工作一直是女性为主导的职业，但随着人们对健康的需求日益增加以及顺应护理事..

daniel 0 2024-03-19 11:20:13