强制减排试点省市能源碳排放驱动因素分析

□夏　晖　何　煜　杨　岑

［电子科技大学　成都　611731］

强制减排试点省市能源碳排放驱动因素分析

□夏晖何煜杨岑

［电子科技大学成都611731］

根据全国及北京市、天津市、上海市、广东省、湖北省和重庆市六个强制碳减排试点省市的碳排放量数据，采用对数平均权重Divisia分解法（LMDI），从能源结构、能源效率、经济发展三方面分析能源碳排放的驱动因素，发现能源结构对碳排放的影响相对较小，而且，在北京、天津和上海市，三大驱动因素对人均碳排放的贡献值明显大于在湖北省、广东省和重庆市的贡献值。进一步，采用多元线性回归模型和环比增长率数据，实证检验全国及六个试点省市三大驱动因素的变化对人均碳排放的影响。研究结果显示：从全国来看，能源结构变化对碳排放量影响不显著，而碳排放对能源效率的变化比对经济发展更为敏感。具体到各省市数据，湖北省三大驱动因素变化对碳排放的影响均不显著，而其他省市碳排放受各驱动因素的影响各具特点。研究结论为政府在各地区制定合理的碳减排政策提供了参考。

碳排放；因素分解；驱动因素；LMDI

引言

根据IEA［1］的统计数据，2007年中国化石燃料排放的CO2已超越美国，成为世界第一大CO2排放国。随着经济的持续发展，煤炭化石燃料的能源消费带来碳排放量快速增长，中国必然面临着非常现实、严峻的挑战。目前，国家发展改革委员会发布《关于开展碳排放权交易试点工作的通知》，该通知中将北京、天津、上海、重庆、武汉、广州、深圳七省市作为总量控制碳排放权交易试点。2013年6月18日深圳市率先进行碳排放交易试点，首批纳入强制减排的行业涉及电力、钢铁、石化、水泥等高污染高能耗行业。由于试点省市分布在我国的东西南北中，地理位置和经济发展等因素各不相同，我们需要分析这些地区能源消费导致的碳排放量增加的驱动因素，以便制定合理有效的碳减排政策，促进产业技术升级，提高能源效率，缓解经济发展带来的环境问题。

一、相关研究评述

为了分析CO2排放量增长的驱动因素，日本学者Kaya提出了Kaya恒等式，通过因式分解的方法，把影响CO2排放的因素分解为经济发展水平、能源利用效率、人口和单位能源消费等驱动因素［2］。Johan等对Kaya恒等式进行了扩展，采用Shapley分解技术进行分解，结果显示：与传统的分解结果相比，能源碳排放强度的利用和经济的脱碳增长对碳排放更具影响［3］。此后，众多学者拓展该因素分解法对碳排放的驱动因素展开了广泛研究。

学者们有从国家和地区层面进行研究的。Fan等分析了中国1980～2003年一次能源和终端能源碳排放强度之间的变化关系，结果发现能源强度的减少导致碳排放强度的下降［4］。徐国泉等分析了中国人均碳排放的影响因素，发现在1990～2004年间，经济发展对拉动中国人均碳排放的正向驱动作用呈指数增长，而能源效率和能源结构两个因素对中国人均碳排放起到抑制的负向驱动作用［5］。王锋等研究了1995～2007年间中国CO2排放量增长的驱动因素，指出人均GDP增长是CO2排放量增长的最大驱动因素［6］。赵欣等分析了江苏省人均碳排放的影响因素，其结果显示，在1996～2007年间经济规模效应对人均碳排放起到的是正向的作用，且是最为主要的因素，而技术进步与能耗结构的增长会促使人均碳排放的减少，产业结构的调整对人均碳排放的作用较弱［7］。牛叔文等采用面板数据分析亚太八国1971～2005年间能耗和GDP对碳排放影响，研究显示发达国家在碳排放基数和能源利用率都要高于发展中国家［8］。黄芳等采用对数平均权重Divisia指数LMDI方法对我国1996～2009年碳强度进行分析，结果显示碳强度总体下降，其中能源强度效用贡献最大［9］。

研究中还有针对特定部门和产业的。Ang等运用LMDI分解法，对中国工业部门排放的CO2做了研究，结果表明1985～1990年总产出的变化对CO2排放起到正向效应，而对能源强度起到抑制作用［10］。McCollum和Yang［11］利用Kaya恒等式分析了美国交通运输部门温室气体减排目标实现的可能性，并给出相应政策建议。Min Zhao、Lirong Tan等［12］利用LMDI方法研究上海工业部门1996～2007年碳排放影响因素，结果发现促进碳排放增长的主要因素是经济产出，而能源强度、产业和能源的结构的调整抑制碳排放增长。Sheinbaum C等采用LMDI分解法研究墨西哥钢铁工业部门1970～2006年间能耗和碳排放，结果显示经济活动带动能耗增长227%而不是实际的133%，结构和能源效用使得能耗降低5%和90%［13］。赵志耘等研究了我国2000～2009年生产部门、居民生活部门的化石能源消费量以及水泥生产量碳排放量，结果表明我国已经跨越了碳排放强度和人均碳排放高峰阶段［14］。王栋等采用LMDI方法，建立中国产业CO2变动的结构分解模型，分析1997～2007年间CO2排放变动影响因素，结果表明CO2排放增加的主要因素是最终需求总量变化，而CO2减排的主要影响因素是能耗强度［15］。马越越等研究了1991～2010年我国物流业的碳排放的因素，结果发现应大力推进物流业科技水平和物流发展因素的提高［16］。范体军等则从我国化学工业1996～2007年间CO2排放量变化的影响因素分析，结果发现影响CO2排放量的两个最主要因素是经济活动和能耗强度［17］。

Ang在综合比较各种分解方法的基础，对对数平均Divisia指数方法（LMDI）与算术平均Divisia指数方法（AMDI）进行了比较，结果显示：LMDI方法能消除残差项，克服了其他方法分解后存在残差项的缺点，使模型更具说服力［18］。之后Ang等给出了一种利用分析限制（Analytical Limit）处理LMDI分解下出现零值的方法。当然，对碳排放驱动因素的研究还有其他一些方法［19］。Wu等建立了基于一种包括能源生产、转换和消费的新模型，比较了传统意义上在能源需求侧和能源供给侧的驱动因素贡献度［20］。林伯强等引入城市化因素， 采用协整和蒙特卡洛模拟法，动态地解释和预测了中国CO2排放量的增长情形，结果表明：人均GDP和能源强度是影响CO2排放最主要的因素，城市化的确对碳排放有重要影响［21］。

目前，中国准备参考欧盟实施总量控制碳排放权交易机制，由于各省市经济发展存在很大差异，经济结构也不尽相同，制定合理的碳减排政策必须考虑地区间差异。上述国内学者的研究要么采用全国数据，要么采用省市数据，没能对各省市之间碳排放影响因素的异同进行对比，尤其缺乏针对目前总量控制下的强制减排试点省市数据进行分析。本文遵循Johan等的思路，采用改进后的Kaya恒等式，根据北京市、天津市、上海市、重庆市、广东省和湖北省六个试点省市（暂缺少深圳市碳排放的相关数据）2000～2010年的时间序列数据，对能源消费碳排放的驱动因素进行深入分析，结果发现，能源结构对碳排放的作用相对较小。另外，在京津沪地区，能源结构、能源效率、经济发展三因素对人均碳排放的影响明显大于鄂粤渝地区，其中能源效率因素对碳排放量的负向驱动效应在两类地区的差异很大。

论文另一个创新之处在于，采用各变量的增长率数据针对各驱动因素变化的敏感性进行实证分析。以往的因素分析更多关注各影响因素对碳排放量的贡献值，这是历史现状分析。而影响因素的敏感性分析有助于发现各因素的减排潜力，帮助政府找出低成本进行碳减排的途径。研究结果显示：天津市碳排放对能源结构变化非常敏感，减少煤炭石油的使用可以极大降低人均碳排放。而广东省由于能源效率的提高对碳排放的抑制作用相对较小，经济发展带来的碳排放量增加的压力是最大的，转变经济发展模式是广东省降低碳排放的有效途径。

二、模型构建与数据说明

（一）碳排放因素分解

对数平均权重Divisia指数（LMDI）分解法对分解中的残差问题有较有效的处理，同时能够很好地解决数据中零值与负数问题。因此，我们选用LMDI方法，将总的碳排放分解为四种因素：

式（1）中，C代表总的碳排放量；Ci为消费第i种能源的碳排放量；Ei为第i种能源的消费量；E为一次能源的消费量，所谓的一次能源就是在自然界中能直接获取，不需要转换的能源，例如煤炭、石油和天然气等；Y为GDP；P为人口数量。

上式进一步可以表示成：

式（2）中，A表示人均碳排放量，右边S、F、I、R分别代表能源结构因素Ei/E、能源强度因素Ci/Ei、能源效率因素E/Y、经济发展因素Y/P。以上两个等式中的i = 1，2，3分别表示煤炭、石油和天然气（由于煤炭、石油和天然气三种能源在一次能源消费中所占的比重之和在90%以上，故仅考虑这三种能源消费）。根据徐国泉［5］、王锋［6］等对碳排放驱动因素的分解，各影响因素的含义如下：

4. 经济发展因素：人均GDP。

根据式（2），可以得到第t期相对于基期的人均碳排放量的变化：

式中，ΔAS、ΔAF、ΔAI、ΔAR分别为各因素对人均碳排放量变化的贡献值，ΔArsd为分解余量。对上式，我们采用Ang等人提出的对数平均权重Divisia分解法进行分解，得到各因素的分解结果如下：

（二）数据说明

1.CO2排放量数据的计算

本文采用全国以及北京、天津、上海、湖北、重庆、广东六省市碳排放数据。煤炭、石油和天然气燃烧排放的CO2量等于各自的消费量乘以各自排放系数，总的碳排放量等于上述三类能源碳排放量之和，如公式（6）所示：

其中，Cti为第t年第i种能源的碳排放量；Eti为第t年第i种能源的消费量；αi为CO2排放系数。各类能源的碳排放系数见表1。

表1　各类能源的碳排放系数

2.其他变量数据来源

全国的煤炭、石油、天然气能源的消费量、人口数量和GDP均来自于2000-2010年的《中国统计年鉴》，并以2000年作为基期。其余省市的数据是从2000-2010年的《中国能源统计年鉴》和各省市的统计年鉴中整理、汇总、计算得到，同样以2000年为基期。三类能源转换为标准煤的系数参照国家发展和改革委员会能源研究所的研究报告，如表2所示。

表2　各种能源折标准煤参考系数（kg标准煤）

三、驱动因素分析

根据式（6）的计算方法，可以计算出 2000～2010年中国三大能源（煤炭、石油、天然气）的碳排放量及占总碳排放量的比重，如表3所示。

表3　2000～2010年中国三大能源碳排放量数据 单位：万吨

2000～2010年三大能源消费的碳排放量都是逐年增加的，其中煤炭消费一直是碳排放的主要来源，其碳排放量的平均比重在80%左右，且相对保持稳定。石油消费碳排放的平均比重为18.03%，从2000年的19.7%下降到2009年的16.094%，呈总体下滑趋势。天然气碳排放量的平均比重为2.032%，所占比重相对较小，但呈稳步上升趋势。

基于以上数据，再根据公式（4）可以计算出，能源结构（S）、能源效率（I） 和经济发展（R）三个因素对人均碳排放变化量的贡献值，结果见图1。

图1　2001～2010年三大因素的贡献值

图1中横坐标为年份，纵坐标为三大因素对人均碳排放变化量的贡献值。首先，我们从图中能很明显地看到经济发展对碳排放起着正向的驱动作用，而能源效率则是碳排放量增加的负向驱动因素。其次，经济发展和能源效率因素对人均碳排放量的影响都经历了2001～2003年下降，2004年之后缓慢上升的趋势。最后，能源结构对人均碳排放起着微弱的负向驱动作用，反映出2001～2010年间我国以煤炭为主的能源模式还未发生根本性的改变。从表4中可以看到煤炭占总能源消费中的比重在2001年（68.3%）到2010年（68.4%）间只有小幅变化。虽然天然气消费的比重由2001年的2.2%升到2010年的4.4%，但由于比重太小，对改善我国能源结构的作用实在有限。

表4　全国能源结构、能源效率、经济发展和人均碳排放量各年数据

为了分析碳排放的区域差异，我们绘制了6省市LMDI分解法后三因素对人均碳排放量变化的贡献值趋势图，如图2、3、4所示。

图2　能源结构因素的影响

图3　能源效率因素的影响

图4　经济发展因素的影响

为方便分析，我们将六省市划分为两类地区：I类地区为北京、天津和上海市，II类地区为湖北、广东和重庆三省市。我们可以明显看到由于绝对值较大，I类地区的能源结构、能源效率和经济发展因素对人均碳排放量的影响均大于II地区。

进一步，通过分别对能源结构、能源效率和经济发展三大因素进行分析，我们有以下发现：

1. II类地区能源结构对碳排放的影响很小。在其他因素不变的情况下，改变各能源消费比例将对人均碳排放的变化产生影响，这种影响可能为正，也可能为负。图2显示，I类地区的能源结构显然优于II类地区，并且I类地区的能源结构对碳排放起着负向抑制作用。纵观六个试点省市，其中对碳排放的负向抑制最大的省市为上海市。II类地区能源结构对碳排放的影响很小，其中重庆市的能源结构对人均碳排放起着微弱的正向驱动作用，其原因在于重庆市天然气碳排放所占比重逐年下降，参见附表6。

2. 能源效率因素对碳排放量的负向驱动效应在两类地区的差异很大。能源效率是指某种能源利用效率。在其他因素保持不变的情况下，单位GDP能耗的降低意味着能源效率的提高，将会有助于碳排放量的减少，因此能源效率对碳排放产生负向驱动效应。从图3可以看出，I类地区能源效率对人均碳排放量的贡献值（绝对值）呈现逐年递增的趋势，这说明京津沪三市的能源利用效率相对较高，极大的减缓了人均碳排放的增长。而II类地区粤鄂渝的能源效率的负效应较低，最高也为-0.5，其中重庆市的能源效率的贡献值最低（约-0.2）。说明这三省市单位GDP能耗高，必须大力提高能源效率。

3. 经济发展对人均碳排放的贡献值是三因素中平均最大的。一般而言，随着经济水平的提高，企业用于生产的能源消费量也会增长，从而碳排放量也会相应提高，成为各省市碳排放量增长正向的驱动因素。图4显示，I类地区（京津沪）经济发展对碳排放的贡献值较大，其中天津的经济发展对碳排放的贡献值最大，约为3.5。北京市经济发展对碳排放的正效应最大约为1.5，近年呈现下降的趋势，说明北京未来的经济发展带来的碳排放压力开始减弱，附表1显示北京的人均碳排放近年来已呈现下降趋势。对比图2、3、4，经济发展对人均碳排放的贡献值是三因素中平均最大的。

四、多元回归分析

为进一步分析能源结构、能源效率和经济发展三因素的动态变化趋势，以及人均碳排放量的变化对各因素变化的敏感程度，我们采用各变量环比增长率（变量本期相对上期的增长率）数据，建立如下的多元线性回归统计模型：

上式中S表示能源结构因素，是煤炭和石油的碳排放量在总的碳排放量中比重。相对煤炭和石油，天然气是较为清洁的能源，这里计算主要是高碳的化石能源消费，故未包括天然气。R表示经济发展因素，I表示能源效率因素，A表示人均碳排放量，ε为随机误差项。各变量均用环比增长率表示，故回归式中的系数类似于经济中弹性的概念，其绝对值大于1，表示人均碳排放量对该变量的变化较为敏感。另外，采用变量增长率数据也消除了各因素的量纲差异。我们采用EVIEWS6.0分别对全国、北京、天津、上海、湖北、广东和重庆市2000～2010年相关数据进行回归分析，结果见表5。

表5　回归分析结果表

表5显示，从全国范围来看，能源结构变化对碳排放的影响不显著，这主要是因为煤炭、石油消费占我国能源消费的比重过大，约占90%（参见表4），且改变很小。另外，人均碳排放量的增长对能源效率因素I的敏感性（1.182）超过了经济发展因素R（0.975），说明经济发展虽然带来了碳排放量的增加，但通过转变经济发展方式、提高能源效率可以保证减排目标的实现。

具体到各省市三大影响因素分析，湖北省人均碳排放对能源结构、能源效率和经济发展的变化均不显著，其他省市人均碳排放对三大因素变化的反映各具特点。

在能源结构因素S方面，除天津和重庆市外，其他省市的数据都不显著。煤炭、石油在我国能源消费中的比重长期稳定在90%左右是造成上述结果的原因。需要重点关注天津市的数据，其能源结构的系数很大，达到226.959，这意味着天津市减少煤炭和石油的使用1%，其人均碳排放量会有大约227%的降幅。从附表2中可以看出，天津市煤炭和石油的比重很高，几乎占到能源消费的99%，故天津市应大力度调整能源结构，鼓励针对包括水电、核电、风电、太阳能发电等清洁能源及非化石能源的投资，降低煤炭、石油在能源消费中的比重。

在能源效率因素I方面，北京市、上海市、重庆市和广东省四省市能源效率的变化对人均碳排放的增长都是显著的，且较为敏感，回归系数均大于1。能源效率的回归系数大于1，意味着单位GDP能耗的降低会导致人均碳排放减少得更多。而我国能源效率普遍较低，未来提高能源效率的空间很大。各省市能源效率回归系数中，重庆和北京的较大，分别为1.29和1.20，这两市人均碳排放对能源效率的变化较为敏感，应从提高能源效率着手，降低人均碳排放。

在经济发展因素R方面，北京、广东、重庆市和上海市，经济发展对人均碳排放增长有显著影响，其中京粤渝较为敏感（系数大于1），而上海市较为不敏感（0.936）。经济发展因素对北京、广东和重庆三省市的人均碳排放影响较大。以北京市为例，其经济发展增长1%，人均碳排放会增加约1.14%。而上海市经济发展带来的碳排放压力相对较小，其经济发展增长1%，人均碳排放只增加约0.94%，低于全国0.975%的平均水平，说明上海市经济发展模式较为合理，其经济发展的增长带来的人均碳排放的增长较小。

综合能源效率因素和经济发展因素，所有省市中，只有广东省的人均碳排放对经济发展的敏感性（1.128）超过了能源效率（1.044），说明经济发展带来的碳排放量的增加较大，而提高能源效率对碳排放的抑制作用较小，故广东省未来的碳排放压力较大。重庆市人均碳排放对经济发展的敏感性较小（1.088），而对能源效率变化的敏感性较大（1.291），故重庆市未来碳减排潜力巨大，可以通过提高能源效率，抵消经济发展所带来的碳增量，实现减排目标。

五、结论及建议

本研究基于煤炭、石油、天然气能源消费量以及GDP和人口的数据，较全面地测算了2000～2010年全国及六个强制碳减排试点省市的人均碳排放量的变化情况，并借助对数平均权重迪氏指数（LMDI）分解模型，考察样本期间能源结构、能源效率和经济发展三因素对人均碳排放量变化的影响。研究结果表明：（1）经济发展是人均碳排放量增长的正向驱动因素，而能源效率是负向驱动因素，能源结构对碳排放的作用相对较小，且I类地区京津沪的三大驱动因素对人均碳排放的影响明显大于在II类地区鄂粤渝的影响；（2）II类地区能源结构对碳排放的影响很小，能源效率因素对碳排放量的负向驱动效应在两类地区的差异很大，经济发展对人均碳排放的贡献值是三因素中平均最大的；进一步，通过采用多元线性回归模型和环比增长率数据对各变量的敏感性进行实证分析。研究结果表明：（3）从全国范围来看，能源结构因素变化对人均碳排放的影响不显著。相对经济发展因素而言，碳排放的变化对能源效率的变化更为敏感；（4）湖北省三大因素对人均碳排放的影响均不显著，而天津市的人均碳排放对能源结构因素的变化非常敏感，广东省未来碳减排压力最大，而重庆市的减排潜力最大。

我国正在试点实施总量控制碳排放权交易的减排制度，本研究所得结论对政府实施区域有差别的碳减排政策提供了数据参考和启示，包括以下几个方面。

1. 总体上看，能源结构因素对人均碳排放的驱动作用目前还很小，影响也不显著。煤炭、石油等高碳排放能源长期在能源消耗中占据约90%，这种极不合理的能源结构是未来减排非常大的障碍，但从另一方面，也为未来的能源结构调整留下了很大的空间，这需要能源科技创新、大力发展清洁能源来完成这种能源结构调整。同时，人均碳排放的变化对能源效率的变化较为敏感，而对经济发展的变化较为不敏感。因此，我国通过提高能源效率以抵消经济发展带来的碳增量是完全可行的。

2. 在I类地区京津沪，三大因素对碳排放的影响明显大于II类地区鄂粤渝。说明I类地区的碳排放量可能面临较大的波动性，这是政府在制定总量控制减排政策时需要考虑的。另外，I类地区的能源结构效应虽然稍好于II类地区，但需要重点关注天津市，其人均碳排放对能源结构因素的变化非常敏感，降低煤炭、石油消费，发展清洁能源是天津市碳减排的重要措施。天津市“十二五”节能减排综合工作实施方案中规定加快调整优化能源消费结构，进一步控制煤炭消费量，“十二五”期间燃煤增量控制在1500万吨以内，提高天然气使用比重。本文结论对天津市的减排政策提供了有力的数据支持。

3. 经济发展仍然是碳排放量增加的主要因素，尤其是I类地区京津沪。上海市由于经济结构较为合理，未来经济发展因素带来的人均碳排放增量的压力相对较小。而京粤渝的碳排放对经济发展较为敏感，未来的减排压力较大，其中广东省由于能源效率对碳排放的抑制作用较弱，未来减排压力最大。因此，这些地区实现减排目标一方面需要改变经济发展模式，大力发展服务业、高科技产业、新兴产业和节能环保产业；另一方面需要优化调整产业结构，通过改造、整顿与调整高耗能行业，促进产业结构与能源消费的良性互动与协调一致。

4. 提高能源效率是降低碳排放量增长的有效途径，而能源效率因素对碳排放量的负向驱动效应在两类地区的差异很大，II类地区粤鄂渝的能源效率的负效应较低。需要注意的是，重庆市目前能源效率的负效应虽然较低，但其碳排放对能源效率的变化较为敏感，减排潜力较大。因此，重庆市通过提高能源效率来降低碳排放量的增长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， François 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］ 徐国泉， 刘则渊， 姜照华. 中国碳排放的因素分解模型及实证分析: 1995-2004 ［J］. 中国人口、资源与环境， 2006，16（6）: 158-161.

［6］ 王峰， 吴丽华， 杨超. 中国经济发展中碳排放增长的驱动因素研究［J］. 经济研究， 2010， 45（2）: 123-136.

［7］ 赵欣， 龙如银. 江苏省碳排放现状及因素分解实证分析［J］. 中国人口、资源与环境， 2010， 20（7）: 25-30.

［8］ 牛叔文， 丁永霞， 李怡欣等. 能源消耗、经济增长和碳排放之间的关联分析——基于亚太八国面板数据的实证研究［J］. 中国软科学， 2010（5）: 12-19.

［9］ 黄芳， 江可申， 卢愿清，吴优. 中国碳强度的影响因素解析——基于LMDI分解方法［J］. 数学的实践与认识， 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］ 赵志耘， 杨朝峰. 中国碳排放驱动因素分解分析［J］.中国软科学， 2012（6）: 175-183.

［15］ 王栋， 潘文卿， 刘庆， 高旭东. 中国产业CO2排放的因素分解: 基于LMDI模型［J］. 系统工程理论与实践， 2012，32（6）: 1193-1203.

［16］ 马越越， 王维国. 中国物流业碳排放特征及其影响因素分析——基于LMDI分解技术［J］. 数学的实践与认识，2013， 43（10）: 31-42.

［17］ 范体军， 骆瑞玲， 范耀东等. 我国化学工业二氧化碳排放影响因素研究［J］. 中国软科学， 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， 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数据 单位: 万吨

附表2　2000 ～2010年天津市各排放源的碳排放量数据 单位: 万吨

附表3　2000 ～2010年上海市各排放源的碳排放量数据 单位: 万吨

附表4　2000～2010年湖北省各排放源的碳排放量数据 单位: 万吨

附表5　2000 ～2010年广东省各排放源的碳排放量数据 单位: 万吨

附表6　2000 ～2010年重庆市各排放源的碳排放量数据 单位: 万吨

F205

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

编辑邓婧

2014- 09-26

教育部人文社会科学研究项目（14YJA790062）

夏晖（1969-）男，电子科技大学经济与管理学院副教授；何煜（1988- ）男，电子科技大学经济与管理学院硕士生；杨岑（1988- ）男，电子科技大学经济与管理学院硕士生.