东北三省能源消费碳排放测度及影响因素

马晓君,董碧滢,于渊博,王常欣,杨 倩



东北三省能源消费碳排放测度及影响因素

马晓君1*,董碧滢1,于渊博2,王常欣1,杨 倩1

(1.东北财经大学统计学院,辽宁 大连 116025；2.辽宁大学亚澳商学院,辽宁 沈阳 110136)

将扩展的Kaya恒等式与对数平均迪氏指数(LMDI)分解法相结合,以2005~2016年东北三省主要能源消费数据为研究对象,构建优化的碳排放分解模型,测度并分解其碳排放与碳排放强度.通过与中国同期能源消费碳排放的定量对比分析,考察各产业(部门)能源结构效应、能源强度效应、产业结构效应、经济产出效应和人口规模效应对东北三省能源消费碳排放的影响.结果显示:2005~2016年,东北三省碳排放总量占中国碳排放总量的8.84%,碳排放强度普遍高于中国碳排放强度.经济产出效应和人口规模效应对东北三省碳排放增长起拉动作用,其中经济产出效应贡献最大为188%,经济发展和城市化进程的加速不利于碳排放的降低.产业能源强度效应、能源结构效应及产业结构效应对东北三省碳排放增长起抑制作用,能源强度效应的抑制作用最大为59%,产业能源强度的调整空间较大.降低能源消耗强度,调整产业内部结构,完善经济政策体制是今后促进东北三省低碳经济发展的重要手段.

东北三省；能源消费碳排放；碳排放强度；Kaya-LMDI

在巴黎协定的框架下,到2030年中国单位GDP的CO2排放比2005下降60%~65%,推进碳排放达峰,实现低碳经济发展,已成为学术界研究的热点,其关键问题之一在于对能源消费碳排放的测度及影响因素分析.作为中国重要的老工业基地,东北三省在经济发展中仍延续传统的粗放型经济发展方式——能源消耗大,高能耗行业密集,产业结构不合理.基于此,对东北三省能源消费碳排放的测度及影响因素实证研究十分必要.

现阶段,在能源消费碳排放及影响因素研究中,世界通行的分解方法有两种:一是结构分解法(SDA). SDA由印度学者Debesh Chakraborty等[1]于2006年首次提出,用来解决投入产出结构分解问题;随后,尚红云等[2]首次将SDA引入到中国能源消耗结构分解问题中;王丽丽等[3]、Xu等[4]和段玉婉等[5]利用SDA分别对中国国际贸易隐含碳排放和江苏省CO2排放的增长因素,及中国和日本的能源消费碳排放进行结构分解与计量分析.但SDA需以投入产出表中的大量数据作为支撑,而中国一般每五年编制一次投入产出表,时间跨度较大,不利于深入研究,因此一般采用第二种方法:指数分解法(IDA).IDA基于部门加总数据,适用于时间序列分析,因此在实际操作中更具有可行性.2004年,Ang[6]首次提出基于IDA的LMDI分解法,并将此方法引入能源消耗的分解中.这种方法不仅可以进行多个因素分解,而且分解后的结果解决了残差项、数据零值和负值的问题,因此被广泛应用于分解模型的建立和碳排放相关研究中.

在LMDI分解法基础上,碳排放的测度及其影响因素可以基于国家、省、市级区域层面和行业层面来研究.由于国家统计数据获得较为容易,因此,学术界对于国家层面碳排放影响因素研究较多.许士春等[7]、范丹[8]先后采用LMDI法对中国能源消费碳排放的驱动因素进行分解分析,得出在中国碳排放中,经济产出贡献率最大的结论;程叶青等[9]和Wang等[10]分别将LMDI与空间自相关方法和C-D生产函数结合,应用于中国能源消费研究;González等[11]、Chong等[12]、Mousavi等[13]和郭宇等[14]将LMDI分别运用到欧盟、中国、伊朗、中东地区国家和一带一路沿线国家中,并对其CO2排放量进行跟踪和分解研究.随着区域经济发展,对于省、市级层面碳排放研究也逐渐成为热点.彭俊铭等[15]和田中华等[16]、刘源等[17]、韩红珠等[18]、Chong等[19]和Carmona等[20]先后运用LMDI分别对广东省、珠三角、厦门市、陕西省及安达鲁西亚(西班牙)的能源消费碳排放影响因素进行分解,并分析最终能耗的变化情况.随着经济技术的发展和产业分工的细化,越来越多学者不再局限于区域层面的纵向研究,而是将碳排放分解着眼于行业部门.Jeong等[21]、潘雄锋等[22]和戴小文等[23]分别采用LMDI法对韩国工业、中国制造行业及中国农业的能源消费碳排放进行分解测度;冯博等[24]、宋金昭等[25]和杜强等[26]先后对中国及西安市建筑业能源消费碳排放的驱动因素进行分解分析;张立国[27]则对中国物流业进行了能耗研究.至此,国内外关于能源消费碳排放的研究在一定程度上得以完善.

总体来看,世界上关于能源消费碳排放的研究日益深入,分析方法日趋完善,但仍存在一些不足.首先,由于各省能源统计口径存在一定差异,进行能源消费核算较为复杂,因此,鲜有文献基于城市群层面进行碳排放驱动因素分析,导致在基于区域层面的纵向研究中有所缺失;其次,部分文献在研究能源消费碳排放时,将煤炭数据与原煤数据混为一谈.但在能源统计中,煤炭数据包括原煤数据,且在进行碳排放测算时,相关文献仅给出原煤的计算系数,因此使用煤炭数据将在数据采集、测算与分析中出现误差;此外,现有研究大多基于国家、地区或行业某一层面进行碳排放驱动因素分析,未能将三者结合展开讨论,缺乏相对性与全面性.因此有必要建立更为全面的碳排放影响因素分解模型.

在现有基础上,本文采用Kaya-LMDI分解法,研究东北三省2005~2016年能源消费碳排放及影响因素,并试图在以下方面进行扩展:一是基于城市群研究层面,将东北三省(黑龙江、吉林、辽宁)作为研究对象,并对其能源消耗碳排放及影响因素进行讨论;二是为避免重复,采用原煤数据代替已有文献中所用的煤炭数据,以提高测度结果的准确性;三是在分析东北三省碳排放情况的同时,搜集国家层面数据,测度中国CO2排放总量及碳排放强度,并将其与东北三省碳排放进行区域层面的纵向对比和行业层面的横向分析.旨在使研究更具相对性与全面性,进而对东北地区的低碳经济发展建言献策.

1 研究方法

本文主要研究东北三省7大产业部门(农林牧渔业、工业、建筑业、交通运输和仓储邮政业、批发零售业和住宿餐饮业、其他行业以及居民生活消费部门)对于9种主要能源(原煤、焦炭、原油、汽油、煤油、柴油、燃料油、天然气以及电力)的消费碳排放问题.首先根据能源消费统计及经济社会发展的相关数据进行碳排放测算;其次建立基于Kaya-LMDI的碳排放影响因素分解模型,测度并分析东北三省CO2排放与中国CO2排放情况.

1.1 碳排放相关测算方法

《省级温室气体清单编制指南》[28]规定,省级能源活动CO2排放量可采用IPCC方法1,即碳排放总量分为化石燃料燃烧产生的碳排放和终端部门的电力消费碳排放,计算公式为:

式中:为碳排放总量;C为化石燃料燃烧产生的碳排放量;C为终端部门消耗电力产生的碳排放.

化石燃料燃烧产生的碳排放基于各种化石燃料的表观消费量,各种燃料品种的单位发热量、含碳量,以及燃烧各种燃料的主要设备的平均氧化率,扣除化石燃料非能源用途的固碳量等参数综合计算得到的.计算公式为:

地区终端部门的电力能源消费所产生的碳排放量等于各产业部门的终端用电量与该年度的CO2排放因子乘积之和,计算公式为:

1.2 碳排放影响因素分解模型

1.2.1 基于Kaya恒等式碳排放分解模型 Kaya恒等式由日本学者Kaya等[29]首次提出,用于解决温室气体排放的因素分解问题,但其仅适用于一国或一个地区的碳排放总量分解.为了更好地分产业分能源种类进行碳排放驱动因素分析,本文运用Kaya恒等式的扩展形式[39]:

式中:表示碳排放总量;C表示第产业对第种能源消耗时产生的碳排放量;E表示第产业对第种能源的消耗量;E表示第产业的能源消费总量;GDP表示第产业的行业增加值, GDP表示东北三省地区总增加值;表示东北三省地区人口总数;C/E,E/E,E/GDP,GDP/GDP, GDP/,分别表示碳排放系数、能源结构、能源强度、产业结构、经济产出、人口规模.

1.2.2 基于Kaya-LMDI的碳排放因素分解模型 为研究碳排放中各驱动因素的贡献效应,本文将扩展的Kaya恒等式运用于LMDI分解法,并对碳排放驱动因素进行分解分析,以便讨论其贡献度.本文选取LMDI分解法中的加和分解方式,基于公式(4)对碳排放进行如下分解:

式中: ∆tot表示碳排放分解总效应, ∆C表示碳排放因子效应,∆C表示产业能源结构效应,∆CGDP表示产业能源强度效应,GDPGDP表示产业结构效应,GDP/P表示经济产出效应,∆C表示人口规模效应.根据Kaya-LMDI分解模型得到的各效应分解结果如下:

式中:对于公式(6)~(11)中的(C(t),C(0))做出如下定义:

由于各种能源的碳排放系数固定,碳排放因子效应恒为0,因此,可将公式(5)化简为:

至此,可以利用公式(6)~(13)对东北三省碳排放驱动因素进行分解和实证分析.

2 实证分析

2.1 数据来源

本文的化石燃料能源消费数据基于《中国能源统计年鉴》[30]中的辽宁、吉林、黑龙江能源平衡表(实物量)以及中国能源平衡表(实物量);电力能源消费数据来源于实物量平衡表中的终端消费量[终端消费量=可供本地区消费能源量＋加工转换投入(产出)量－损失量];2005年区域电网平均CO2排放因子取自《2007中国区域电网基准线排放因子》[31], 2006~2008年区域电网平均CO2排放因子取自《2010中国区域电网基准线排放因子》[32],2009和2010年区域电网平均CO2排放因子取自《2012中国区域电网基准线排放因子》[33],2011~2013年区域电网平均CO2排放因子取自《2015中国区域电网基准线排放因子》[34],2014和2015年区域电网平均CO2排放因子取自《2016中国区域电网基准线排放因子》(征求意见稿)[35];天然气相关计算系数采用其区间上、下限的均值.各类能源相关计算系数数据及来源见表1.

表1 各类能源相关计算系数

注:低(位)发热量等于29307(KJ)的燃料,称为1kg标准煤(1kgce);前3列来源于《辽宁统计年鉴》(2016)[36];第4、5列来源于《省级温室气体清单编制指南》(发改办气候[2011]1041号).

2.2 东北三省碳排放总量

由图1可见:2005年,东北三省能源消费碳排放为4.8亿t,占中国能源消费碳排放的9.72%.截至2015年底,东北三省能源消费产生的CO2总量达到8.52亿t,占中国能源消费CO2排放总量的8.84%,相较于2005年比重有所下降. 2005~2016年,东北三省能源消耗产生的CO2排放量与中国CO2排放总量的走势大致相同,增长速度略缓于国家增速.东北三省作为中国重要的老工业基地,经济活动主要集中于重工业,但其在CO2排放量的控制中能够与国家低碳发展的经济政策规划保持一致,在碳排放总量上基本达到阶段性目标.

图1 中国和东北三省2005~2016年碳排放总量

图2 2005~2016年东北三省与中国碳排放强度

在进行地区间的碳排放比较分析时,通常选取碳排放强度(单位GDP碳排放)这一指标.碳排放强度是指每单位国民生产总值的增长所带来的CO2排放量.该指标主要是用来衡量一国经济同碳排放量之间的关系,如果一国在经济增长的同时,每单位国民生产总值所带来的CO2排放量在下降,则说明该国(或地区)基本实现一个低碳发展模式.因此,本文同时对东北三省和国家整体的碳排放强度进行测度,并将两者进行比较.

从图1和图2可以看出,东北三省CO2排放总量增速逐渐变缓,碳排放强度逐年下降,但其碳排放强度仍高于中国碳排放强度.截至2015年底,东北三省单位GDP碳排放为1.47t/万元,高出中国单位GDP碳排放0.07t/万元.从侧面表明,东北三省由于经济技术水平和经济产出落后使其GDP增速低于碳排放总量的增速,进而导致碳排放强度偏高.

2.3 Kaya-LMDI模型分解结果分析

应用Kaya-LMDI分解模型对2005~2016年东北三省的能源消费碳排放进行分解,由图1和图3可以看出: 2005~2016年,东北三省碳排放总量与分解后的东北三省碳排放总效应趋势基本一致,分为3个阶段:(1)线性增长阶段:2005~2007年.碳排放总量与碳排放分解总效应的斜率均为11年间最大值,分别为13.6%, 117.2%; (2)S型增长阶段:2008~2013年.2011年度碳排放总量增速为13.3%,碳排放总效应增速为49.6%,均达到该阶段最大值; (3)波动阶段: 2013~2015年.东北三省CO2排放增速波动较大,呈快速下降后上升,最后趋于平稳,但碳排放总量和分解总效应仍未超过2012年度(总量和分解效应的最高峰).结果表明,由于“十五”环境保护指标没有全部实现,在“十一五”初期,东北三省碳排放总量增速较快;“十一五”后期,东北三省碳排放总量增速逐渐变缓,但仍存在一定缺陷.“十二五”期间,在中国低碳发展的大环境下,东北三省通过对能源消费的控制,一定程度上抑制了CO2排放.

表2 2005~2016年东北三省碳排放积累效应

图3 2005~2016年东北三省碳排放积累效应

此外,东北三省分解结果与现有文献[8-9]中能源消费碳排放分解结果的趋势大致相同:产业能源结构效应和产业能源强度效应对东北三省的碳排放贡献基本为负,对碳排放有较大抑制作用;产业结构效应对碳排放的贡献表现为先正后负;经济产出效应和人口规模效应对碳排放的增长表现为正向影响;碳排放总效应近似正比于经济产出效应.由此可见,无论从区域还是国家层面测度,经济产出效应都是碳排放增长的最主要因素.

2.3.1 产业能源结构效应分析 图4表明,产业能源结构效应对东北三省碳排放贡献为负,能源结构变化对CO2排放有一定抑制作用.结合图7可以看出,在产业能源结构对CO2排放的抑制作用中,工业和交通运输部门的能源结构效应占主要作用.原因可能在于工业与交通运输业在能源消费上主要依赖于原煤、焦炭等,其消耗比重与能源结构效应变动的趋势十分接近,这也与积累效应中的结果相符合.而农林牧渔业和居民生活消费部门则对CO2排放起到拉动作用,但拉动强度远低于抑制强度,因此,产业能源结构效应总体对CO2排放仍起到抑制作用.

图4 2005~2016年东北三省产业能源结构效应

2.3.2 产业能源强度效应分析 由图3和图5可以看出,东北三省产业能源强度效应对碳排放总效应的贡献起到较大的抑制作用.其中,工业部门和居民生活消费部门的能源强度效应的抑制作用最大,约占总能源强度效应的90%,交通运输业和第三产业的抑制作用逐年增强,第一产业部门和建筑业的抑制作用最弱.由此可见, 2005~2016年,东北三省在工业、交通运输业和第三产业的经济产出规模迅速扩大,居民生活消费逐渐增多,第一产业和建筑业经济产出增长平稳.能源强度指的是能源消耗量与经济产出的比值,因此在能源强度的控制上需加大节能改造力度,促进节能技术进步,通过提高旧能源利用效率和新能源使用效率来实现低碳发展.

2.3.3 产业结构效应分析 由表2和图6可以看出,东北三省产业结构效应对能源消费碳排放的作用呈现先正后负的趋势.图6表明, 2005~2013年,工业部门对产业结构效应一直起到拉动作用,而其他部门均起到抑制作用;2013~2016年,工业部门由拉动作用转为抑制作用,且抑制强度较大,建筑业起到了一定拉动作用,而其他5大部门的抑制作用有所减弱.结合图3与图6能够看出,工业部门对产业结构效应的贡献与产业结构效应对碳排放的贡献趋势相同,且在产业结构效应中起主导作用.2005~2016年,由于政策影响,东北三省通过产业转型和结构调整,使产业分工进一步细化,在经济增长速度、占经济总量比重等方面表现出产业结构的高级化,即随着经济发展水平逐渐增高,其对碳排放的作用方向由促进变为抑制.

图5 2005~2016年东北三省产业能源强度效应

2.3.4 经济产出效应分析 由表2和图3可以看出, 2005~2016年东北三省的经济产出效应一直为正,而且呈逐年上升趋势,对东北三省能源消费碳排放增长的贡献度最大,因此,经济发展因素是东北三省这一时期碳排放增长的最主要因素. 2005~2016年,东北三省GDP总量增长了2.36倍,人均GDP总量增长了2.357倍(以2005年不变价格计算).根据环境库兹涅茨曲线,当一个地区经济发展水平较低时,环境污染程度较轻.随着经济发展,环境污染由低趋高,环境恶化程度随经济增长而加剧;当经济发展达到拐点后,随着经济的进一步发展,环境污染又由高趋低,其环境污染程度逐渐减缓,环境质量得到改善.在2009年和2014年,东北地区经济产出效应和总效应分别出现两段短暂的下降,主要是受到了2009年哥本哈根气候大会和2014年APEC峰会的影响,而经济发展的拐点值并未出现.因此,可以推测出东北三省CO2排放量的增长是东北区域现阶段经济发展中的必然结果.

2.3.5 人口规模效应分析 从表2和图3可以看出,东北三省的人口规模效应对碳排放总效应的贡献一直为正;2005~2013年,人口规模效应与总效应增长速度呈现同步增长趋势,2013~2015年,二者又呈同步下降趋势.这表明,东北地区人口的增加会导致碳排放量上升.原因可能在于,随着人口规模的扩大,东北地区城市化进程的步伐加快,对碳排放造成一定程度的影响,如加大城市规模、修建水利设施、建设铁路运输,从而带动工业、建筑业、交通运输业和第三产业等迅速发展,使得相应需求扩大,能源消耗量增加,导致东北三省碳排放总量增大.这与范丹[9]的研究结论相似,人口规模增加对碳排放的增加起到一定拉动作用.但不同的是,其测算的中国人口规模效应贡献度大于东北三省人口规模效应贡献度.原因可能在于,东北三省地广人稀,城市化进程相对于全国速度较慢,相应需求引起的能耗低于全国平均水平等.

2.4 各产业(部门)能源消费碳排放分析

2.4.1 各产业(部门)能源消费碳排放量 由表3可以看出:2005~2006年,东北三省工业部门能源消费碳排放占碳排放总量的比重最大,为68%,农林牧渔业、建筑业、交通运输和仓储邮政业、批发零售和住宿餐饮业、其他行业、居民生活消费部门消耗的碳排放分别占总量的4%, 1%, 9%, 3%, 5%, 10%. 2015~2016年,农林牧渔业、工业、建筑业、交通运输和仓储邮政业、批发零售和住宿餐饮业、其他行业、居民生活消费部门消耗的碳排放分别占碳排放总量的3%, 63%, 1%, 10%, 5%, 7%, 10%.各部门碳排放总量相较于2005~2006年分别下降1%, 5%, 0%, -1%, -2%, -2%, 0%.

结果显示,东北三省能源消费碳排放的主要来源依然是工业部门,交通运输业和居民生活消费部门所占比重也比较大.近年来,随着东北经济转型的进一步深入推进,以交通运输和仓储邮政业、批发零售和住宿餐饮业等为主的第三产业在能源消耗上占比逐渐增多,其碳排放量也呈现增长的趋势.这从侧面反映出在“十一五”、“十二五”期间,第三产业的政策支持力度之大,发展之迅速.可见调整行业结构,打造低碳产业体系已经逐渐成为经济结构转型和发展方式调整的重要方向和途径.

表3 2005~2016年各产业(部门)能源消费碳排放(万t)

2.4.2 各产业(部门)能源消费碳排放强度 由图7可以看出,2005~2016年东北三省工业部门和交通运输业能源消费碳排放强度的变化趋势与总体碳排放强度相同,均呈逐年下降趋势,但其一直高于东北三省总碳排放强度;其他部门碳排放强度的变化趋势相对稳定,一直控制在0~1之间.各部门碳排放强度相较于2005~2006年分别下降了49%, 42%, 54%, 32%, 24%, 34%, 48%,东北三省总碳排放强度下降47%.

结果显示,工业与交通运输储运业和邮政业在东北三省碳排放强度中占据较高的比重.原因可能在于,作为三大产业的重要分支,工业与交通运输储运业和邮政业具有能源利用率较低,能源结构不完善,高能耗等特点.该结论与许士春等[8]研究结果相似.其测算的中国行业能源消费碳排放中,工业与交通运输储运业和邮政业贡献度占比高达100.23%.由此可见,无论是国家还是东北三省政府,都需从能源利用效率、研发清洁能源、推动技术进步等方面采取有效手段来遏制二、三产业能源消费碳排放.

图7 2005~2016年各产业(部门)碳排放强度

3 政策建议

东北三省能源强度效应在11里均为负值,表明其对碳排放的增长起到抑制作用,因此,降低能源强度是促进碳排放减少的重要途径,具体可从以下两方面着手:从行业层面来看,应加大对先进能源技术的引入,推广使用优质煤、洁净型煤,推进煤改气、煤改电,降低对化石能源的消费依赖度.积极研发清洁能源,有序发展水电工程,推进风电场建设,推动太阳能多元化利用,促进光伏发电规模化应用,大力发展节能与新能源技术,提高能源利用效率;从政府层面来看,应对各产业部门尤其是工业部门的技术进步给予适当的政策帮扶,如对应用先进节能技术的产业减免部分税额、为研发新型节能技术企业发放财政补贴,扩大企业优惠贷款额度等,以此鼓励各部门促进节能技术进步.

东北三省产业结构效应在11年里多为负值,对能源消费碳排放的影响多为负向影响,且行业分化明显,表明优化产业结构是实现能源消费强度下降的重要手段.从东北三省的目前发展来看,工业部门所占比重较大,重工业仍然是东北三省发展的支柱产业.因此,需要严格控制工业领域碳排放,积极推广低碳新工艺、新技术,推进工业领域碳捕集,依法依规有序淘汰落后产能和过剩产能.同时,应合理调整产业结构布局:大力发展低碳农业,实施化肥使用量零增长行动,改善水分和肥料管理,控制农作物秸秆燃烧,以降低农业领域温室气体排放;强化建筑节能,实施绿色建筑发展计划,推广可再生能源在建筑上的应用;建设低碳交通运输体系,加快发展低碳物流,鼓励使用节能、清洁能源和新能源运输工具;促进以工业为主导的产业结构向第三产业为主导的产业结构转化,倡导低碳理念,避免能源消费快速增长,减少生活能源消费,实现理性消费,绿色消费,逐步向低碳经济发展方式过渡.

东北三省目前行业分化明显,工业、交通运输业等碳排放所占比重较大,有关部门需针对这一特征,制定支持各行业低碳发展的差别化扶持政策,形成适合不同行业的差异化低碳发展模式.同时落实国家低碳发展配套政策,加大财政资金对各行业低碳发展的支持力度,加强运用政府和社会资本合作(PPP)模式,发挥政府引导作用,完善涵盖节能、环保、低碳等要求的政府制度,积极响应国家供给侧结构性改革的政策号召,促进东北三省各行业经济步入低碳发展新阶段,形成供需两侧共同发力的老工业基地振兴新格局.

4 结论

4.1 截至2015年底,东北三省能源消耗产生的CO2排放量约为8.52亿t,占中国能源消费CO2总量的8.84%;东北三省碳排放强度达1.47t/万元,高出中国碳排放强度0.07t/万元.2005~2016年间,东北三省碳排放强度持续高于中国碳排放强度;能源消耗CO2走势与中国CO2排放总量走势大致相同;但排放总量占国家CO2排放总量比重呈下降趋势,且增长速度略缓于国家增速.

4.2 2005~2016年,能源强度效应的下降明显促进东北三省能源消费碳排放强度降低;能源结构与产业结构效应在一定程度上推动碳排放强度降低;经济产出效应与人口规模效应的变化抑制碳排放总量的下降.因此,东北三省相关部门在未来制定与落实低碳减排政策时,既要关注行业内部结构优化与调整,更要注重在节能技术上的创新与突破.

4.3 截至2015年底,农林牧渔业、建筑业、交通运输和仓储邮政业、批发零售和住宿餐饮业、其他行业、居民生活消费部门对东北三省碳排放强度的贡献率相对于2005年分别下降了49%, 42%, 54%, 32%, 24%, 34%, 48%. 2005~2016年,东北三省能源消费碳排放主要来源于工业部门;居民生活消费部门和交通运输业所占比重也比较大;第三产业在能源消耗上占比增多.

[1] Sikdar C, Raa T T, Mohnen P, et al. Bilateral trade between India and Bangladesh: a general equilibrium approach [J]. Economic Systems Research, 2006,18(3):257-279.

[2] 尚红云,蒋 萍.中国能源消耗变动影响因素的结构分解 [J]. 资源科学, 2009,31(2):214-223.

[3] 王丽丽,王 媛,毛国柱,等.中国国际贸易隐含碳SDA分析 [J]. 资源科学, 2012,34(12):162-169.

[4] Xu S C, Zhang L, Liu Y T, et al. Determination of the factors that influence increments in CO2, emissions in Jiangsu, China using the SDA method [J]. Journal of Cleaner Production, 2016,142(4):3061- 3074.

[5] 段玉婉,杨翠红.中国与日本能源消耗和CO2排放差异的空间结构分解 [J]. 系统工程理论与实践, 2017,37(8):2083-2090.

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

[7] 许士春,习 蓉,何正霞.中国能源消耗碳排放的影响因素分析及政策启示 [J]. 资源科学, 2012,34(1):2-12.

[8] 范 丹.中国能源消费碳排放变化的驱动因素研究—基于LMDI-PDA分解法 [J]. 中国环境科学, 2013,33(9):1705-1713.

[9] 程叶青,王哲野,张守志,等.中国能源消费碳排放强度及其影响因素的空间计量 [J]. 地理学报, 2013,68(10):1418-1431.

[10] Wang W, Liu X, Zhang M, et al. Using a new generalized LMDI (logarithmic mean Divisia index) method to analyze China's energy consumption [J]. Energy, 2014,67:617-622.

[11] González P F, Landajo M, Presno M J. Tracking European Union CO2, emissions through LMDI (logarithmic-mean Divisia index) decomposition. The activity revaluation approach [J]. Energy, 2014, 73(7):741-750.

[12] Chong C H, Ma L, Li Z, et al. Logarithmic mean Divisia index (LMDI) decomposition of coal consumption in China based on the energy allocation diagram of coal flows [J]. Energy, 2015,85:366-378.

[13] Mousavi B, Stephen N, Lopez A, et al. Driving forces of iran's CO2emissions from energy consumption: An LMDI decomposition approach [J]. Applied Energy, 2017,206:804-814.

[14] 郭 宇,赵长红,袁家海,等.一带一路沿线国家碳排放的LMDI分解研究 [N]. 气候变化研究快报, 2018,7(1):32-43.

[15] 彭俊铭,吴仁海.基于LMDI的珠三角能源碳足迹因素分解 [J]. 中国人口·资源与环境, 2012,22(2):69-74.

[16] 田中华,杨泽亮,蔡睿贤.广东省能源消费碳排放分析及碳排放强度影响因素研究 [J]. 中国环境科学, 2015,35(6):1885-1891.

[17] 刘 源,李向阳,林剑艺,等.基于LMDI分解的厦门市碳排放强度影响因素分析 [J]. 生态学报, 2014,34(9):2378-2387.

[18] 韩红珠,王小辉,马 高.陕西省能源消费碳排放及影响因素分析 [J]. 山东农业科学, 2015,47(1):82-87.

[19] Chong C H, Liu P, Ma L, et al. LMDI decomposition of energy consumption in Guangdong Province, China, based on an energy allocation diagram [J]. Energy, 2017,133:525-544.

[20] Carmona M J C, Collado R R. LMDI decomposition analysis of energy consumption in Andalusia (Spain) during 2003-2012: the energy efficiency policy implications [J]. Energy Efficiency, 2016,9(3):1-17.

[21] Jeong K, Kim S. LMDI decomposition analysis of greenhouse gas emissions in the Korean manufacturing sector [J]. Energy Policy, 2013,62(9):1245-1253.

[22] 潘雄锋,舒 涛,徐大伟.中国制造业碳排放强度变动及其因素分解 [J]. 中国人口·资源与环境, 2011,21(5):101-105.

[23] 戴小文,何艳秋,钟秋波.中国农业能源消耗碳排放变化驱动因素及其贡献研究*--基于Kaya恒等扩展与LMDI指数分解方法 [J]. 中国生态农业学报, 2015,23(11):1445-1454.

[24] 冯 博,王雪青.中国各省建筑业碳排放脱钩及影响因素研究 [J]. 中国人口·资源与环境, 2015,25(4):28-34.

[25] 宋金昭,苑向阳,王晓平.中国建筑业碳排放强度影响因素分析 [J]. 环境工程, 2018,(1):178-182.

[26] 杜 强,冯新宇,孙 强.市域建筑业碳排放与经济发展关系及影响因素研究——以西安市为例 [J]. 环境工程, 2017,35(2):174-179.

[27] 张立国.物流业能源消耗与碳排放研究进展 [J]. 技术经济与管理研究, 2016,(1):119-123.

[28] 国家发展和改革委员会办公厅.省级温室气体清单编制指南(试行) [Z]. 北京:国家发展和改革委员会, 2011.

[29] Kaya Yoichi. Impact of carbon dioxide emission on GNP growth:interpretation of proposed scenarios [R]. Paris:Presentation to the Energy and Industry Subgroup, Response Strategies Working Group, IPCC, 1989.

[30] 国家统计局能源统计司,中国能源统计年鉴. 2006-2016 [M]. 北京:中国统计出版社, 2016.

[31] 国家发展和改革委员会应对气候变化司. 2007中国区域电网基准线排放因子 [R]. 北京:国家发展和改革委员会, 2007.

[32] 国家发展和改革委员会应对气候变化司. 2010中国区域电网基准线排放因子 [R]. 北京:国家发展和改革委员会, 2010.

[33] 国家发展和改革委员会应对气候变化司. 2012中国区域电网基准线排放因子 [R]. 北京:国家发展和改革委员会, 2012.

[34] 国家发展和改革委员会应对气候变化司. 2015中国区域电网基准线排放因子 [R]. 北京:国家发展和改革委员会, 2015.

[35] 国家发展和改革委员会应对气候变化司. 2016中国区域电网基准线排放因子 [R]. 北京:国家发展和改革委员会, 2017.

[36] 辽宁省统计局,辽宁统计年鉴2006~2016 [M].北京:中国统计出版社, 2016.

[37] Johan A, Delphine F, Koen S. A shapely decomposition of carbon emissions without residual [J]. Energy Policy, 2002,30(2):727-736.

[38] 孙玉环,李 倩,陈 婷.中国能源消费强度行业差异及影响因素分析——基于指数分解 [J]. 调研世界, 2016,(4):28-34.

[39] 辽宁省人民政府,辽宁省“十三五”节能减排综合工作实施方案[EB/OL]. http://www.ln.gov.cn/zfxx/zfwj/szfwj/zfwj2011_119230/ 201704/t20170427_2883215.html 2017-4-21.

[40] 吉林省人民政府办公厅,吉林省“十三五”控制温室气体排放工作方案 [EB/OL].http://xxgk.jl.gov.cn/szf/gkml/201702/t20170217_2473483. html 2017-1-25/2017-2-10.

[41] 黑龙江省人民政府办公厅,关于做好“十三五”控制温室气体排放工作的意见 [EB/OL]. http://www.hlj.gov.cn/wjfg/system/2017/ 10/27/010852303.shtml 2017-7-16/2017-10-27.

Measurement of carbon emissions from energy consumption in three Northeastern provinces and its driving factors.

MA Xiao-jun1*, DONG Bi-ying1, YU Yuan-bo2, WANG Chang-xin1, YANG Qian1

(1.Department of statistics, Dongbei University of Finance and Economics, Dalian 116025, China；2.Asia Australia Business College, Liaoning University, Shenyang 110136, China)., 2018,38(8)：3170~3179

To find the key factors of the carbon emissions from energy consumption in three northeastern provinces, a hybrid approach was applied by combining the extended Kaya identity method and the logarithmic mean Divisia index (LMDI) decomposition method. Firstly, an optimized carbon emission decomposition model was developed to measure and decompose the carbon emissions and carbon emission intensity of three northeastern provinces during 2005~2016. Then, by performing a comparative analysis of three northeast provinces and the whole China, the impacts of the following factors on the carbon emissions were examined: the energy structure, the energy intensity, the industrial structure, the economic output and the population. The empirical results showed that, during 2005~2016, the total carbon emissions of three northeastern provinces accounted for 8.84% of the total carbon emissions of China, and the average carbon emission intensity of these three provinces was higher than that of China. Moreover, both economic output and population had significant positive effects on the carbon emissions; meanwhile, the largest contribution of economic reached 188%. The economic development and urbanization did not reduce the carbon emissions in these three provinces. In addition, the industrial energy intensity, energy structure and industrial structure had significant negative effects on carbon emission in which the maximum effect of energy intensity reached 59%. It was also found that there exists a large adjustment space in the industrial energy intensity. In summary, to promote the development of low-carbon economy, we suggested to reduce energy consumption, adjust the internal structure of the industry and improve the economic policy system in three northeastern provinces.

three northeastern provinces；carbon emissions from energy consumption；carbon intensity；Kaya-LMDI

X24

A

1000-6923(2018)08-3170-10

马晓君(1978-),女,辽宁抚顺人,副教授,博士,研究方向为宏观经济统计.发表论文30余篇.

2018-01-20

国家社会科学基金资助项目(17BTJ020);国家自然科学基金资助项目(71772113,71272010);辽宁省教育厅资助项目(LN2016YB026);辽宁省社会科学规划基金资助项目(L17BTJ003,L16BTJ001)

* 责任作者, 副教授, maxiaojun@dufe.edu.cn