中国城乡居民生活消费碳排放变化的比较研究

范建双周 琳



中国城乡居民生活消费碳排放变化的比较研究

范建双1,2*周 琳1,2

(1.浙江工业大学经贸管理学院,浙江 杭州 310023；2.浙江工业大学技术创新与企业国际化研究中心,浙江 杭州 310023)

基于碳排放系数法估算了1997~2015年中国城镇、农村和整体(包含城镇和农村)居民生活消费引起的直接碳排放量,进一步采用Dagum基尼系数和Kernel 密度函数估计方法对中国城镇和农村居民生活消费碳排放的地区差距及分布动态进行实证研究.同时,采用乘积式对数平均迪式指数模型(M-LMDI)分析了直接能源消费强度、居民人均消费水平和单位能源碳排放强度3大因素对居民消费碳排放变化的影响,并重点考察了各省份相关变量对生活消费碳排放影响的城乡差异.结果表明:(1)中国城镇和农村居民人均生活消费碳排放量在研究期内呈现逐年递增的趋势,在空间上均存在显著非均衡特征.(2)中国居民人均生活消费碳排放的地区总差异呈现波动下降的趋势,从1997年的0.379下降到2015年的0.244.1997~1999年城镇和农村居民生活消费碳排放的组间差距是城乡差距的主要来源,其贡献率超过50%.2000年后组内差距成为城乡差距的主要来源,其贡献率均大于40%并超过了组间差距.(3)城镇和农村居民人均生活消费碳排放均在增加,地区差异均在扩大.(4)对全国居民生活消费碳排放变动贡献最大的省区是内蒙古,累计贡献值达0.1005.贡献最小的省区是云南,累计贡献值为0.0125.(5)农村的能源消费强度和人均消费水平的贡献程度在研究期内均大于城镇,单位能源碳排放强度在两个地区的贡献水平表现出了波动性.

城镇居民；农村居民；生活消费；碳排放；Dagum基尼系数；LMDI

随着科技进步和城镇化进程的加速,人们的生产和生活方式发生了改变,能源消耗结构也发生改变,消耗数量不断增加,给全球碳减排带来了巨大压力.随着家庭能源需求的不断上升,人们开始意识到居民生活消费所引起的直接和间接碳排放,已经或者即将成为新的碳排放增长点.在一些城镇化水平较高的发达国家,家庭能源消费已经超过工业部门,成为重要的碳源[1].随着中国刺激消费和拉动内需政策的进一步实施,我国未来居民消费模式变化引起的能源消耗数量和结构变化必将对碳排放产生越来越重要的影响[2].同时,城镇和农村作为承载人类生活和生产的两种不同空间载体,二者之间在诸多方面存在较大差异.而作为在城镇和农村从事生产和生活的主体,居民的消费行为和消费方式也截然不同,从而导致能源消耗结构和数量存在较大差异.随着城镇化进程的加速,不断有农村居民向城镇转移和集聚,这在导致能源消耗结构和数量发生变化的同时,也引起了碳排放的变化.中国的城镇化率已经由1978年的17.92%增加到2015年的56.10%,期间增长了3倍多.城镇人口增加的同时农村人口在不断减少,相应的城镇居民和农村居民生活消费也发生了巨大变化,势必导致生活消费碳排放发生重要变化.同时考虑到我国不同区域之间的经济发展水平差异较大,碳排放与区域经济发展之间存在长期均衡关系[3].因此,从城乡差异的视角考察居民消费碳排放的规模和结构特征,并基于历史数据测算各省区相关变量与全国城乡居民消费碳排放之间的数量关系,并对城乡差异进行比较,对于综合权衡城乡和区域间的碳减排目标具有重要的现实意义.

由于发达国家基本完成了城镇化建设,家庭部门是仅次于工业部门的第二大能源消耗主体.因此,早期对于居民消费碳排放的研究更多集中在这些发达经济体,如美国[4]、英国[5]、丹麦[6-7]、西班牙[8]和希腊[9].这些文献均认为不同的家庭消费模式和消费水平均会对其碳排放产生影响.近年来,针对中国居民生活消费碳排放的相关研究逐渐增多.目前相关的研究主要集中在以下四个方面:

一是将城镇和农村作为整体进行研究.如冯蕊等[10]、查建平等[11]、顾鹏等[12]采用碳排放系数法分别估算了天津市和全国城乡整体居民生活消费碳排放量.在对居民生活消费碳排放进行测度的基础上,有学者开始关注其驱动机制,如Feng等[13]采用灰关联方法检验了中国城乡整体居民消费对碳排放的影响.李艳梅等[1]采用面板数据模型重点考察了城镇化对家庭直接和间接碳排放的影响,并考虑了省际间的区域差异.更多的学者采用因素分解方法对城乡整体居民生活消费碳排放的驱动因素进行分析,主要采用指数分解模型[14-17]和结构分解模型[18-20]两类方法.

二是重点关注城镇居民生活消费碳排放.如张艳等[21]测算了我国287个地级市的城市居民消费碳排放及其空间分布,并探索其影响因素.万文玉等[2]对我国各省城市居民生活消费碳排放的时空演变特征进行分析,并利用面板数据模型分析了影响城市居民生活能源碳排放的主要因素.

三是将研究视角聚焦到农村地区.如田宜水等[22]则采用LEAP模型对2020年中国农村居民生活用能需求和碳排放情况进行了情景模拟.Chen等[23]对中国农村居民消费的可再生能源产生的碳排放进行了测算.Wu等[24]采用问卷调查和多元线性回归方法对丽江农村居民生活消费碳排放的驱动因素进行了研究.

四是对城乡差异进行比较.如李艳梅等[25]发现,城镇的户均直接能源消费和碳排放一直高于农村,但差距正在缩小,原因在于城镇直接能源消费强度下降、直接能源消费结构优化、家庭规模缩小所产生的节能减排效应逐步增大,抵消了人均消费水平提高所产生的增能增排效应.彭水军等[26]采用投入产出和结构分解方法进行研究,发现居民消费碳排放绝大部分都来自城镇居民的消费活动.除了城乡之间碳排放量的差异,进一步的有学者开始关注城乡间碳排放驱动因素的差异.如Zha等[27]通过对比研究,发现人口效应是城镇居民消费碳排放的主要促增因素,但却是农村居民消费碳排放的主要促减因素.张馨等[28]通过比较分析发现,在不考虑其他因素的前提下,农村居民转化为城镇居民会导致碳排放量的增加.这种变化反映了城乡居民生活水平的差异,发展趋势上表现为居民的消费行为由生存型向发展型转变.张友国[29]发现人口规模差异和人均消费水平差异是缩小城乡居民碳排放差异的重要因素.Zhang[30]进一步发现城镇间接生活消费碳排放的增加源于消费支出的增长,而农村地区的增长不显著.城镇直接生活消费碳排放的下降源于能源结构的变化,而农村地区的下降不显著.

上述研究对中国城镇和农村居民生活消费碳排放进行了系统的测算、比较和驱动因素分析,并得出了有价值的结论.但是仍然存在两点不足:一是对中国城乡差异的比较研究均是以全国层面数据为研究样本,目前还缺乏基于省域层面的城乡比较;二是对城镇、农村居民生活消费碳排放的因素分解过程中未考虑分省贡献. 因此,本文基于中国30个省区1997~2015年的面板数据,采用Dagum基尼系数和Kernel密度函数估计方法对中国城镇和农村居民生活消费碳排放的空间差距及分布动态进行实证测度,将有助于我们掌握生活消费碳排放城乡差距的大小和演进趋势.并且进一步系统识别各省区相关变量对中国城镇、农村和整体居民生活消费直接碳排放的影响机制,并对三者之间的差异进行比较分析,这是现有文献鲜有涉及的.本研究发现中国居民人均生活消费碳排放的城乡差距总体上呈现下降趋势,但是农村居民人均生活消费碳排放的增长率要远高于城镇.该研究发现不仅是对现有文献的有益补充,而且能够更好的为环境政策制定和实施提供借鉴和参考.

1 模型构建与数据选取

1.1 居民生活消费引起的直接碳排放量测算模型

居民生活消费引起的碳排放包括直接碳排放和间接碳排放两部分.本文仅分析居民生活消费直接碳排放,并根据《中国能源统计年鉴》地区能源平衡表中城镇、农村和整体生活消费的20种能源消费量进行计算.由于20种能源包括了原煤、洗精煤、其他洗煤、型煤、焦炭、焦炉煤气、其他煤气、原油、汽油、煤油、柴油、燃料油、液化石油气、炼厂干气、天然气、其他石油制品、其他焦化产品和其他能源18种化石能源以及电力、热力的二次能源消费两部分.因此,借鉴已有文献的思路,本文采用如下公式对城镇和农村居民生活消费碳排放量进行测算:

式中:C表示第省区的城镇/农村/整体居民生活直接消费碳排放总量;C表示第省区的城镇/农村/整体第种化石能源消费碳排放量;=1,2,…,18 指18类化石能源类型;e和h分别表示第省区的城镇/农村/整体居民生活电力和热力的二次能源消费产生的碳排放量;E表示第省区的城镇/农村/整体居民生活第类化石能源终端消耗量;O表示第类化石能源的碳氧化率;CF表示第类化石能源的碳排放因子;LCV表示第类化石能源的平均低位热值;e表示第省区的城镇/农村/整体居民生活电力消费量;E表示热力消费量;e表示第省区电力消费的碳排放系数;h表示第省区热力消费的碳排放系数.

1.2 居民人均生活直接消费碳排放量空间差距测度模型

1.2.1 Dagum基尼系数及其分解方法 在对城镇和农村居民生活直接消费碳排放量进行有效测度的基础上,本文进一步采用Dagum 基尼系数来分析城镇和农村之间以及地区之间的差距.不同于传统的基尼系数,Dagum基尼系数不仅能够有效识别地区间差距的来源,而且能够描述子样本的分布情况,并有效解释子样本之间交叉项的问题[31].Dagum基尼系数[30]的表达式如下:

按照Dagum基尼系数的分解方法,可以将基尼系数分解为3个部分:地区内差距的贡献(G)、地区间差距的贡献(G)和超变密度的贡献(G).其中,超变密度是划分子样本时交叉项对总体差距()的影响,四者之间关系为:= G+ G+G.各部分的计算公式如下:

根据以上方法,测算和分解了全国30个省区之间以及城镇和农村之间1997~2015年居民人均生活直接消费碳排放量空间分布的基尼系数并进行了地区分解.

1.2.2 Kernel密度估计 本文进一步将各省份的居民人均生活直接消费碳排放量的空间特征引入到时间坐标轴上进行动态评价,并采用Kernel密度估计来分析时间特征.Kernel密度估计方法能够对全国居民人均生活直接消费碳排放量的整体空间差异进行分析,并且通过观测核密度函数曲线峰值和宽度的变化,能够对全国、城镇和农村居民人均生活直接消费碳排放量的总体差异的分阶段动态变化进行可视化表达.假设随机变量的密度函数为() ,则在点的概率密度可以由下式进行估计:

结合核密度函数图,就可以对居民人均生活直接消费碳排放量的取值在不同观察期的变化进行有效判断,进而刻画其动态特征.

1.3 居民人均生活直接消费碳排放量变化的因素分解模型

目前对碳排放进行因素分解的指数分解方法主要有算术平均 Divisia 指数分解法(AMDI)和对数平均 Divisia指数分解法(LMDI).AMDI 取两个端点值的算术平均数为权数,简单易行,但分解结果存在残差.LMDI方法分解无残差,对零值与负值数据能进行有效的技术处理,并且对于乘法和加法的分解结果具有总和一致性的优点.同时,考虑到加法模型更适合排放数量指标,而乘法模型更适合排放效率指标(如碳排放强度、人均碳排放量等).由于本文采用居民人均生活消费碳排放量(以下简称CP)作为分解指标,即排放效率指标,因此采用乘积式LMDI(M-LMDI)方法进行分析,首先将中国城镇、农村和整体CP分解为30个省区3个变量的乘积之和的形式:

式中:CP()表示全国城镇/农村/整体居民时期的人均生活直接消费碳排放量;()和C()分别表示全国和第省区城镇/农村/整体居民生活直接消费碳排放总量;()和P()分别表示全国和第省区城镇/农村/整体人口数量;=1,2,…,30指30个省区;E()表示第省区城镇/农村/整体居民生活直接能源消费总量;T()表示第省区城镇/农村/整体居民生活消费支出总额.式(14)可以进一步表达为:

式中:CE()=C()/E()表示单位能源碳排放强度; ET()=E()/T()表示能源直接消费强度,即单位消费支出的直接生活能源消费量;TPk()=T()/ P()表示人均消费支出,表征人均消费水平.根据M-LMDI方法对式(3)进一步分解,则可以得到相邻2个时段(期~+1期)居民人均生活直接消费碳排放量的变化可以表达为:

1.4 数据来源与处理

基于上述理论模型,本文选取中国30个省区1997~2015年的面板数据为研究样本.主要搜集4组数据:30个省区城镇、农村和整体的居民生活直接能源消费数据、生活消费支出数据、人口数据和居民生活直接消费碳排放数据.其中,城镇、农村和整体的居民生活能源消费数据来源于1998~2016年《中国能源统计年鉴》中各省区的地区能源平衡表.平衡表中的20类能源的统计单位不统一,本文按照《中国能源统计年鉴》2016中所附的各类能源的折标准煤参考系数将20类能源的单位统一转化成万t标准煤;城镇、农村和整体人口数据来源于1998~2016年《中国统计年鉴》;城镇、农村和整体居民生活消费支出总额数据来源于1998~2016年《中国统计年鉴》,由于年鉴中仅公布了各省区城镇和农村的人均生活消费支出数据,本文结合该数据和人口数据推算出城镇和农村地区的居民生活消费支出总额数据,二者加总后得到整体居民生活消费支出总额数据,并进一步将数据以1997年为基期进行了平减.平减采用的国内生产总值价格指数来自历年《中国统计年鉴》;城镇、农村和整体居民生活直接消费碳排放数据采用碳排放系数法进行间接测算(具体测算过程参见1.1节);18种化石能源的碳排放系数来自IPCC;各省电力的碳排放系数来自于《关于公布2009年中国区域电网基准线排放因子的公告》;热力的碳排放系数参考了李艳梅等[1]的数据.

2 结果分析

2.1 中国城乡CP值特征的比较分析

1997~2015年期间中国城乡CP值均呈现逐年递增的趋势,且城镇CP值明显高于农村,为了进一步分析地区差异,本文利用ArcGIS的自然点断法绘制了1997年、2015年中国城镇和农村CP值变化的空间分布图,如图1所示,城镇和农村CP值在空间上均存在显著非均衡特征.1997年城镇CP值东部和西部差异较大,中部地区较为集聚,山东、江苏、安徽、湖南和贵州一带城镇CP值最低;2015年北部地区城镇CP值增加较快,呈现向东北地区集聚的趋势,各碳排放水平的集聚区域明显,总体看来东北和西部地区大于中部地区和东部地区.1997年中部地区农村CP值较高且较为集聚,东部地区相对最低;2015年农村CP值逐渐呈现出较大的东西集聚差异,东部地区农村CP值明显高于北部地区,并呈现向东南地区集聚的趋势.

2.2 城乡CP差距的测度及分解

2.2.1 城镇和农村居民两组人群之间差距及其来源分解 根据Dagum基尼系数分解方法,对城镇和农村CP进行测算和分解,结果如表1所示.1997~2015年期间中国整体CP的城乡差距总体上呈现波动下降趋势,具体而言,1998~2005年城乡差距缩小速度较快,2006~2011年城乡差距缩小速度较为缓慢, 2012年以后城乡差距缩小速度又开始加快,2015年达到最小值0.235.从组内差距(指城镇或者农村居民人群内部区域之间的差距)来看,研究期间内城镇居民组内差距变动呈现波动状态, 1998~2004年呈现“U”型态势,2005年之后呈现出缓慢的增长趋势.农村地区组内差距在1997~2015年呈现逐年缩小的发展态势.相比较而言, 1997~2011年农村地区的组内差距总是大于城镇地区,2012年以后则出现了反转,城镇地区组内差距大于农村地区.从组间差距(指城镇居民和农村居民两组人群之间的差距)来看,1997~2015年其变动趋势与总体差距类似,均呈现波动下降趋势,CP差距在缩小.从两组人群差距的来源看,1997~2015年CP的组内差距和超变密度的贡献率呈现上升趋势,而组间差距的贡献率则呈现下降趋势.具体来说,1997~ 1999年期间,城镇和农村CP的组间差距贡献率最大,是城乡差距的主要来源;2000年后,组内差距的贡献率超过了组间差距,成为城乡差距的主要来源.

图1 1997年、2015年中国城镇和农村CP空间分布

表1 基尼系数及其分解结果(按城镇居民和农村居民人群进行分组)

续表1

年份总体组内差距组间差距贡献率(%) 城镇农村城镇VS农村组内组间超变密度 20090.3060.2490.3050.34144.2935.7219.99 20100.3150.2690.3210.34145.9231.6122.47 20110.3070.2700.3180.32347.3625.2627.38 20120.2810.2800.2410.29747.0834.7918.13 20130.2780.2700.2760.28448.9916.7234.29 20140.2510.2590.2150.26147.9028.1024.00 20150.2440.2570.2050.25348.1526.4725.39

从基尼系数分解结果来看(图2),1997~2015年组内差距呈现轻微波动状态,总体有轻微的下降趋势,从1997年的0.139下降到2015年的0.117,说明研究期内的组内差距变动不明显;组间差距呈现波动下降趋势,从1997年的0.202下降到2015年的0.064,这说明组间差距对城镇与农村CP差距的影响在逐渐变弱,并且以2002年为分界线,之前年份组间差距为总体差距的主导因素,而之后年份主导因素则变为组内差距;超变密度在研究期内呈现出波动上升的发展态势,从1997年的0.038上升到2015年的0.062.除了2011和2013年之外,其取值始终低于组内差距和组间差距,不难得出,组内差距和组间差距的交互作用使得总体差距呈现出波动下降的趋势,从1997年的0.379下降到2015年的0.244.即组内差距和组间差距的同时下降是导致总体差距下降的主要原因.即城镇和农村之间的总体CP差距呈现出缩小的发展态势,这与李艳梅等[23]的研究结论保持一致.但是城乡差距缩小的原因并不在于城镇地区CP值的下降,而是农村CP值的增长速度远高于城镇地区导致的.

图2 中国城镇和农村CP差距演变趋势

2.2.2 地区差距及其来源分解 本文进一步依次对全国整体、城镇和农村CP的地区差异分别按东部、中部和西部地区进行测算和分解,其中东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南;中部地区包括山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南;西部地区包括四川、重庆、贵州、云南、陕西、甘肃、宁夏、新疆、广西、内蒙古.结果如表2、表3和表4所示.

从表2可知,东部地区的地区内差距最大(均值0.257),其次是西部地区(均值0.253),中部的地区内差距最小(均值0.206);东部和中部地区整体CP值的地区间差距最大(均值0.276),其次是东部和西部地区(均值0.275),中部和西部的地区间差距最小(均值0.248).从发展趋势来看,东部地区的地区内差距呈现出明显的下降趋势,从1997年的0.308下降到2015年的0.164,说明东部地区内部的各省区之间的差距在不断缩小;中部地区的地区内差距在研究期内表现出了波动状态,但是波动幅度不大,基本稳定在0.2左右波动,并呈现轻微的下降趋势,从1997年的0.202下降到2015年的0.179,这说明中部地区内部各省区之间的差距变化不大;西部地区的地区内差距同样呈现出了波动中下降的发展趋势,但是波动的幅度要明显高于中部地区,从1997年的0.262下降到2015年的0.224.从中国城乡整体东部、中部和西部地区差距的来源和贡献率来看,研究期内超变密度的贡献率取值均最高,研究期内保持在40%左右波动,说明CP的地区内差距和地区间差距的交互作用是总体差距的主要来源;贡献率次之的是地区内差距,研究期内维持在30%以上的区间内小幅波动;贡献率最低的是地区间差距,并且在研究期内呈现出剧烈波动,总体上呈现出一定的上升趋势.

表2 中国城乡整体基尼系数及其分解结果

表3展示的是城镇CP的基尼系数及其分解结果.从基尼系数可知,西部地区城镇CP的地区内差距最大(均值0.269),其次是东部地区(均值0.254),中部的地区内差距最小(均值0.222);东部地区和西部地区城镇CP的地区间差距最大(均值0.279),其次是中部地区和西部地区(均值0.270),东部和中部的地区间差距最小(均值0.262).从发展趋势来看,中部地区和西部地区城镇CP的地区内差距在研究期内呈现出波动中上升的发展态势,分别从1997年的0.135和0.200上升到2015年的0.260和0.279;东部地区则呈现出波动中下降的发展态势,从1997年的0.241下降到2015年的0.208;三大区域城镇CP的地区间差距均表现出波动中上升的发展趋势.从城镇CP地区差距的来源和贡献率来看,除了2004年以外,研究期内超变密度的贡献率取值均最高,并在2007年达到最高值(63.06%),并在研究期内呈现出波动上升的发展态势,这说明超变密度是总体差距的主要来源;贡献率次之的是地区内差距,其取值在研究期内始终保持在30%以上,波动幅度较低,基本维持在32%~34%的区间内波动;贡献率最低的是地区间差距,在研究期内波动剧烈,2007年的最低值(3.16%)和2004年的最高值(33.90%)之间差距较大,并且从时间趋势上呈现出了明显的波动下降态势.

表4展示的是农村CP的基尼系数及其分解结果.从基尼系数可知,东部地区农村CP的地区内差距最大(均值0.340),其次是西部地区(均值0.251),中部的地区内差距最小(均值0.224);东部地区和中部地区农村CP地区间差距最大(均值0.399),其次是东部地区和西部地区(均值0.369),中部地区和西部地区的地区间差距最小(均值0.263).从发展趋势来看,东部、中部和西部地区农村CP的地区内差距均呈现出了波动降的态势,分别从1997年的0.511、0.352和0.299下降到2015年的0.172、0.092和0.133;从地区间差距来看,东部与中部、东部与西部、中部与西部在研究期内均呈现下降趋势,分别从1997年的0.509、0.447和0.366下降到2015年的0.258、0.283和0.119,降幅明显,说明中国农村CP的地区间差距有明显的缩小.

表3 城镇基尼系数及其分解结果

表4 农村基尼系数及其分解结果

从中国农村东部、中部和西部地区差距的来源和贡献率来看,研究期内地区间差距的贡献率最高(均值为45.81%),说明地区间差距是总体差距的主要来源;贡献率次之的依次是地区内差距(30.24%)和超变密度(23.95%).从三者的发展趋势来看,地区内差距和超变密度的贡献率在研究期内呈现出了明显的下降趋势,分别从1997年的32.96%和38.70%下降到2015年的24.63%和10.56%;地区间差距在研究期内则呈现出了显著的上升趋势,从1997年的28.34%上升到2015年的64.82%,增幅达到了128.69%.

2.3 CP的动态演进

为了进一步描述CP的整体形态,并通过不同时期的形态变化来把握CP的动态演进特征,本文采用Kernel密度估计方法以1997、2006和2015年为测度对象,选取高斯核密度函数分别绘制出全国整体、城镇、农村CP的Kernel密度估计二维图,并对不同年份CP的空间分布及动态演进进行对比分析(图3).

图3 中国城乡CP的动态演进

2.3.1 全国整体CP的Kernel密度估计 图3(a)描绘了全国整体CP的情况,整体来看全国CP的地区差异发生了明显的变化,地区差距先缩小后扩大.具体而言,与1997年相比,2006年CP的密度函数波峰右移,说明研究期间CP增加,波峰高度变高,宽度变窄,双峰现象减弱,CP地区差距在缩小;2015年与2006年相比,波峰变矮,曲线扁平化,说明该时期内CP地区差距有扩大趋势.

2.3.2 城镇CP的Kernel密度估计 图3(b)描绘了城镇CP的情况,整体来看,城镇CP的地区差距逐渐扩大.具体而言,与1997年相比,2006年密度函数波峰左移,说明城镇CP在减少,波峰高度变矮,宽度变宽,说明地区差异在逐步扩大;2015年与2006年相比,波峰右移,且超过了1997年的位置,说明该时期城镇CP增加迅速,波峰变矮,宽度变宽,右拖尾抬高,变化区间变大,说明该时期城镇CP地区差异进一步扩大,且出现较为明显的两级分化现象.

2.3.3 农村CP的Kernel密度估计 图3(c)描绘了农村CP的情况,整体来看,农村CP的地区差距也在逐渐扩大.具体而言,与1997年相比,2006年密度函数波峰右移,说明农村CP在逐年增加,波峰变矮,宽度变宽,说明地区间差距在增大;2015年与2006年相比,波峰右移,农村CP进一步增加,与城镇发展趋势类似,2015年,农村CP密度函数波峰变矮,宽度变宽,右拖尾抬高,变化区间变大,说明该时期农村地区差异进一步扩大,且出现较为明显的两级分化现象.

2.3.4 城镇和农村CP的对比分析 图3(d)、(e)和(f)是城镇和农村1997年、2006年和2015年CP的对比图.1997年城镇CP的密度函数比较平滑,而农村居民人均生活直接消费碳排放的密度函数比较陡峭,说明1997年城镇地区CP差距较大.相比于1997年,2006年和2015年城镇CP的地区差异依然大于农村,且城镇与农村地区的密度函数波峰均右移,峰值在减小,波峰宽度在增加,说明该期间,城镇和农村的CP均在不断增加,且地区内差异都在进一步扩大,值得注意的是城镇和农村CP均值的差距在逐渐缩小.

2.4 全国整体、城镇和农村CP的分省贡献及其变化

2.4.1 全国整体CP变动的因素分解 按照各省区对全国整体CP变动的贡献大小由低到高进行排序如表5所示.从表5可知,对全国CP变动贡献最大的省区是内蒙古、黑龙江、天津、辽宁和北京,累计贡献值依次为0.1005,0.0634,0.0591,0.0555和0.0446,源于北方地区的居民消费对能源性消费结构的依赖程度比较高,5个地区人均消费水平(TP)变动的贡献值都较高,尤其是内蒙古和天津地区由于人口基数较大,煤炭资源价格低获取便利,随着居民生活水平的提高,消费能力增强,从而加快了碳排放的增加.对全国CP变动贡献最小的省区是云南、陕西、青海、贵州、宁夏,累计贡献值依次为0.0125,0.0170, 0.0175,0.0183,0.0194,主要得益于能源直接消费强度(ET)变动贡献对TP变动贡献的抵消效应.从3个分解因素的结果来看,除了海南、重庆、四川、山东以外,各省区单位能源碳排放强度(CE)的贡献值均为正,表明大部分省区CE是CP变动的促增因素,但相对于TP的影响要小,其变动对CP变动贡献最大的省份依次为内蒙古、云南、黑龙江、宁夏、福建,贡献值分别为0.0223,0.0166,0.0118,0.0113,0.0109;除海南以外,各省区ET的贡献值均为负值,各省份ET是CP变动的主要促减因素,其中ET变动对CP增加抑制作用最大的省份依次是云南、宁夏、天津、吉林和新疆,其贡献值分别是-0.0767,-0.0563, -0.0549,-0.0493和-0.0480;各省区的TP变动取值均为正,即各省区TP变动均是CP变动的主要促增因素.其中,TP变动对CP变动促进作用最大的5个省份依次是内蒙古、天津、辽宁、北京和云南,其贡值分别是0.1251,0.1115,0.0933,0.0825和0.0726.

表5 2015年中国整体CP分省贡献(1997年为基期)

2.4.2 城镇CP变动的因素分解 按照各省区对城镇CP变动贡献大小由低到高进行排序如表6所示.从表6不难发现,对城镇CP变动贡献最大的5个省区是内蒙古、黑龙江、辽宁、北京和天津,累计贡献值依次为0.1017,0.0675,0.0421,0.0382和0.0342.这些地区城镇的表现跟全国整体情况基本一致.对城镇CP变动贡献最小的省区是浙江、河北、福建、河南和新疆,累计贡献率均为负值,即这5个省区对全国城镇CP增长起到了抑制作用.这主要源于ET变动的贡献同时抵消了TP变动和CE变动对CP增长的贡献.从3个分解因素的结果来看,除了海南、湖南、重庆、四川和山东以外,各省区CE的贡献值均为正,表明大部分省区CE是CP变动的促增因素,但相对于TP影响较小,其变动对CP增加贡献最大的5个省份依次为内蒙古、宁夏、云南、福建和甘肃,其贡献值分别为0.0295,0.0214,0.0211,0.0114和0.0109;除海南以外,各省区ET的贡献值均为负值,各省份ET是CP变动的主要促减因素,其中ET变动对CP增加抑制作用最大的省份依次是吉林、宁夏、河北、内蒙古和辽宁,其贡献值分别是-0.0714, -0.0622,-0.0502,-0.0432和-0.0397;各省区的TP变动取值均为正,即各省区TP变动均是CP变动的主要促增因素.其中,TP变动对CP增长促进作用最大的5个省区依次是内蒙古、吉林、黑龙江、辽宁和天津,其贡值分别是0.1154、0.0849、0.0769、0.0738和0.0711.

表6 2015年中国城镇CP分省贡献(1997年为基期)

2.4.3 农村CP变动的因素分解 按照各省区对农村CP变动贡献大小由低到高进行排序如表7所示.从表7不难发现,对农村CP变动贡献最大的5个省区依次是浙江、广东、福建、天津和北京,累计贡献值依次为0.1005,0.0634,0.0591,0.0555,0.0446.对于浙江、广东和福建,由于新农村建设成效显著,农民收入和生活水平显著提高,其消费结构中用于小汽车等高排放商品的需求上升导致了其相关碳排放增加.天津和北京作为直辖市,城乡一体化程度较好,农村居民的生活方式和消费结构与城镇较为接近,因此导致了对CP变动的高贡献率.对农村CP变动贡献最小的省区是贵州、云南、上海、陕西和甘肃,累计贡献值依次为0.0093,0.0158,0.0178,0.0197和0.0211,主要源于这些省区ET变动部分抵消了TP变动的贡献.上海比较特殊,ET变动和CE变动共同抵消了TP变动的贡献,这是导致其贡献率不高的主要原因.从3个因素分解结果来看,除了上海、重庆、四川、吉林、山东和安徽以外,各省区CE的贡献值均为正,表明大部分省区CE是CP变动的促增因素,但相对于TP影响较小,其变动对CP增加贡献最大的5个省份依次为黑龙江、北京、新疆、云南和福建,贡献值分别为0.0267,0.0167,0.0124,0.0111和0.0097;除海南以外,各省区ET的贡献值均为负值,即ET是CP变动的主要促减因素,其中ET变动对CP增加抑制作用最大的省份依次是北京、上海、云南、天津和山西,其贡献值分别是-0.1983, -0.1071,-0.1018,-0.0904和-0.0743;各省区的TP变动均为正值,即各省区TP变动均是CP变动的主要促增因素.其中,TP变动对CP变动促进作用最大的5个省份依次是北京、天津、上海、云南和内蒙古,其贡献值分别是0.2418,0.1505,0.1398,0.1000和0.0963.

表7 2015年中国农村CP分省贡献(1997年为基期)

2.4.4 城镇和农村CP变化的因素分解结果对比分析 首先,从分省贡献的角度,对城镇CP变化贡献最大的5个省区有内蒙古、黑龙江、辽宁、北京和天津,而同期对农村CP变化贡献最大的5个省区有浙江、广东、福建、天津和北京的东南沿海地区和直辖市,二者之间存在较大的差异.其次,从综合贡献大小的角度,城镇地区的全国综合贡献为0.4936(见表6),而农村地区则达到了1.1323(表7).农村的综合贡献率要远高于城镇,同时也高于全国整体(0.9691).说明农村地区的生活水平大幅度提高、消费结构和模式发生了较大变化,发展趋势上表现为居民消费行为由生存型向发展型的转变[28].最后,从分解要素及其变化趋势的角度(图4),城镇CP在1999~2003年期间持续下降,Zhang[30]将这种下降归因于城镇地区能源消费结构的优化.2003年以后呈波动上升趋势.农村CP在研究期间内持续平稳上升,这与Zhang[30]的研究结论基本一致.

从3个分解因素来看,CE对城镇和农村CP均产生了正面影响,1999~2004年期间CE对农村CP的贡献大于城镇,2005年以后CE对城镇CP的贡献反超农村.究其原因,2005年之前城镇生活能源消费多以热力和电力为主,并且居民集中居住则能够集中供热和供暖,能源使用效率较高.而农村居民生活能源多以煤炭和柴火为主,加之居住分散,无法集中供热供暖,并且受到技术设备等因素限制,导致煤炭和热力等能源利用的低效率和污染的高排放,因此2005年之前的城镇居民的人均碳排放低于农村地区.随着城镇居民生活水平的不断提高,生活消费中各类化石能源的消费量增加尤其是私家车数量的爆炸式增长引起石油能源消费的大幅度增长,而同一时期农村居民生活水平的提高速度远低于城镇地区,从而导致碳排放呈现快速增长趋势并在2005年之后超过了农村地区.不难看出,城镇和农村居民在生活消费中对各类能源的消耗量和消耗结构的巨大差异是导致二者碳排放变化的主要原因.ET是减少城镇和农村CP的主要动力,且研究期间持续下降,这与米红等[15]的研究结论一致.城镇ET对城镇CP的累计贡献值为-0.8526,农村ET对农村CP的累计贡献值为-1.2171,这意味着ET在农村的贡献程度大于城镇.传统形式的能源在农村地区使用较为广泛,特别是农村原煤的使用远高于城镇,随着电力的发展,这些年农村能源消费结构以及用能水平有了大幅度的提升.TP导致研究期间城镇和农村CP持续快速增加,是CP增加的主要贡献因素,同ET一样,TP在农村(累计贡献值为2.1697)的贡献程度大于城镇(累计贡献值为1.1426).在整个研究期间,中国经济持续高速发展,城乡居民收入水平不断提高,对生活能源消费的需求也不断增加,家用电器越来越普及,越来越多的家庭购买了汽车.对于农村而言,为了降低农村税费,国家实施了积极的财政政策,另一方面大力支持农村基础设施建设,农业技术进步和扶贫开发,农村居民消费水平因此得到了质的飞跃,这些都说明,居民生活水平的提高,可能会导致农村居民消费更多的能源来适应舒适的生活.对于城镇而言,随着生活水平的提高,居民的消费能力大幅度提升,但是其生活方式和消费结构也发生转变,人们会更倾向于消费碳排放更少的低碳产品,因此在一定程度上有利于减少碳排放.

3 结论

基于碳排放系数法估算了1997~2015年中国城镇、农村和整体(包含城镇和农村)CP值,进一步采用Dagum基尼系数和Kernel 密度函数估计方法对中国城镇和农村CP的地区差距及分布动态进行实证研究.同时,采用M-LMDI模型分析了CE、TP和ET3大因素对CP变化的影响,并重点考察了各省份相关变量对CP影响的城乡差异.研究结果表明:

3.1 1997~2015年期间中国城乡CP呈现逐年递增的趋势,在空间上均存在显著非均衡特征.城镇CP呈现向东北地区集聚的趋势,农村CP呈现向东南地区集聚的趋势.

3.2 Dagum基尼系数测算与分解结果显示,中国CP的城乡差距总体上呈现波动下降的趋势,1997~ 1999年期间,城镇和农村居CP的地区间差距贡献率是城乡差距的主要来源;2000年后,地区内差距贡献率超过地区间差距贡献率,成为城乡差距的主要来源.

3.3 Kernel密度函数估计结果显示,中国城乡CP增加,地区差异在扩大,城镇地区CP差距大于农村地区.

3.4 因素分解结果显示,中国30个省区碳排放量1997~2015年累计增加了96.91%,TP是CP增长的主要贡献因素,导致碳排放量增加168.77%;CE导致CP增加19.65%;ET对CP增加具有抑制作用,使碳排放量减少了92.41%.对全国CP变动贡献最大的省区是内蒙古、黑龙江、天津、辽宁、北京,累计贡献值依次为0.1005,0.0634,0.0591,0.0555,0.0446;对全国CP变动贡献最小的省区是云南、陕西、青海、贵州、宁夏,累计贡献值依次为0.0125,0.0170, 0.0175,0.0183,0.0194.

3.5 农村CP综合增长率要远高于城镇地区,也高于全国平均水平.CE对城镇和农村CP具有正面影响,1999~2004年期间CE对农村CP的贡献大于城镇,2005年以后CE对城镇CP的贡献反超农村;ET是减少城镇和农村CP的主要动力,其在农村的贡献程度大于城镇;TP是CP增加的主要贡献因素,其在农村的贡献程度也大于城镇.

[1] 李艳梅,张红丽.城市化对家庭CO2排放影响的区域差异[J]. 资源科学, 2016,38(3):0545-0556.

[2] 万文玉,赵雪雁,王伟军.中国城市居民生活能源碳排放的时空格局及影响因素分析[J]. 环境科学学报, 2016,36(9):3445-3455.

[3] 赵 哲,陈建成,白羽萍,等.二氧化碳排放与经济增长关系的实证分析[J]. 中国环境科学, 2018,38(7):2785-2793.

[4] Bin S, Dowlatahadi H. Consumer Lifestyle Approach to U.S. Energy Use and the Related CO2Emission [J]. Energy Policy, 2005,33(2): 197-208.

[5] Michael GOladokun, Isaac AOdesola. Household energy consumption and carbon emissions for sustainable cities: A critical review of modelling approaches [J]. International Journal of Sustainable Built Environment, 2015,4(2):231-247.

[6] Jesper Munksgaard, Klaus Alsted Pedersena,Mette Wier. Impact of household consumption on CO2emissions [J]. Energy Economics, 2000,22(4):423-440.

[7] Mette Wier, Manfred Lenzen, Jesper Munksgaard, et al. Effects of household consumption patterns on CO2requirements [J]. Economic Systems Research, 2001,13(3):259-274.

[8] Rosa Duarte, Alfredo Mainar, Julio Sánchez-Chóliz. The impact of household consumption patterns on emissions in Spain [J]. Energy Economics, 2010,32(1):176-185.

[9] Eleni Papathanasopoulou. Household consumption associated fossil fuel demand and carbon dioxide emissions: The case of Greece between 1990 and 2006 [J]. Energy Policy, 2010,38(8):4152-4162.

[10] 冯 蕊,朱 坦,陈胜男,等.天津市居民生活消费CO2排放估算分析[J]. 中国环境科学, 2011,31(1):163-169.

[11] 查建平,唐方方,傅 浩.中国直接生活能源碳排放因素分解模型与实证[J]. 山西财经大学学报, 2010,32(9):9-15.

[12] 顾 鹏,马晓明.基于居民合理生活消费的人均碳排放计算[J]. 中国环境科学, 2013,33(8):1509-1517.

[13] Feng Z H, Zou L L, Wei Y M. The impact of household consumption on energy use and CO2emissions in China [J]. Energy, 2011,36(1): 656-670.

[14] 张小洪,彭小龙,全庞羽,等.家庭生活用能对二氧化碳排放的影响分析[J]. 资源科学, 2011,33(9):1668-1673.

[15] 米 红,张田田,任正委,等.城镇化进程中家庭CO2排放的驱动因素分析[J]. 中国环境科学, 2016,36(10):3183-3192.

[16] Zhang Y J, Bian X J, Tan W P, et al. The indirect energy consumption and CO2emission caused by household consumption in China: an analysis based on the input-output method [J]. Journal of Cleaner Production, 2017,163(1):69-83.

[17] 郭 文,孙 涛.城镇化对中国区域能源消费及居民生活能源消费的影响[J]. 中国环境科学, 2015,35(10):3166-3176.

[18] 朱 勤,彭希哲,吴开亚.基于结构分解的居民消费品载能碳排放变动分析[J]. 数量经济技术经济研究, 2012,29(1):65-77.

[19] 王雪松,任胜钢,袁宝龙,等.城镇化、城乡消费比例和结构对居民消费间接CO2排放的影响[J]. 经济理论与经济管理, 2016,(8):79-88.

[20] 王会娟,夏 炎.中国居民消费碳排放的影响因素及发展路径分析[J]. 中国管理科学, 2017,25(8):1-10.

[21] 张 艳,陈太政,秦耀辰.中国城市居民直接能耗碳排放的空间格局及影响因素[J]. 河南大学学报(自然科学版), 2013,43(2):161-167.

[22] 田宜水,赵立欣,孙丽英,等.中国农村居民生活用能及CO2排放情景分析[J]. 农业工程学报, 2011,27(10):206-211.

[23] Chen Y, Zhu Y L. Analysis on the environmental effect of renewable energy consumption by rural residents in daily life in China: from the perspectives of carbon emissions [J]. Energy Procedia, 2011,(5):1642- 1646.

[24] Wu G, Liu T, Tang M F. Analysis of household energy consumption and related CO2emissions in the disregarded villages of Lijiang City, China [J]. International Journal of Sustainable Development & World Ecology, 2012,19(6):500-505.

[25] 李艳梅,杨 涛.城乡家庭直接能源消费和CO2排放变化的分析与比较[J]. 资源科学, 2013,35(1):115-124.

[26] 彭水军,张文城.中国居民消费的碳排放趋势及其影响因素的经验分析[J]. 世界经济, 2013,(3):124-142.

[27] Zha D L, Zhou D Q, Zhou P. Driving forces of residential CO2emissions in urban and rural China: An index decomposition analysis [J]. Energy Policy, 2010,38(7):3377-3383.

[28] 张 馨,牛叔文,赵春升,等.中国城市化进程中的居民家庭能源消费及碳排放研究[J]. 中国软科学, 2011,(9):65-75.

[29] 张友国.农民消费的碳排放影响:基于与城市居民的差异比较分析[M]. 北京:中国社会科学出版社, 2012:143-163.

[30] Zhang Y G. Impact of urban and rural household consumption on carbon emissions in China [J]. Economic Systems Research, 2013, 25(3):287-299.

[31] 刘华军,何礼伟,杨 骞.中国人口老龄化的空间非均衡及分布动态演进:1989-2011 [J]. 人口研究, 2014,38(2):71-82.

[32] Dagum C. A new approach to the decomposition of the gini income inequality ratio [J]. Empirical Economics, 1997,22(4):515-531.

A comparative study on the changes of residential living consumption carbon emissions in urban and rural China.

FAN Jian-shuang1,2*, ZHOU Lin1,2

(1.College of Economics and Management, Zhejiang University of Technology, Hangzhou 310023, China；2.Research Center of Technological Innovation and Enterprise Internationalization, Zhejiang University of Technology, Hangzhou 310023, China)., 2018,38(11)：4369~4383

Based on the carbon emission coefficient method, this paper estimated the direct carbon emissions caused by the residential living consumption of urban, rural and overall (including urban and rural) in China from 1997 to 2015. Further, the Dagum Gini coefficient and Kernel density function estimation method were used to test the regional disparities and distribution dynamics of residential living consumption carbon emissions in urban and rural China. At the same time, the Multiplicative Logarithmic Mean Divisia Decomposition Index (M-LMDI) method was used to analyze the effects of direct energy consumption intensity, per capita consumption level and unit energy carbon emission intensity on the changes of residential living consumption carbon emissions, and further we examined the urban-rural differences in the impact of relevant variables on residential living consumption carbon emissions in each province. The results suggested that: (1) the residential per living consumption carbon emissions in urban and rural China both showed an increasing trend year by year, and there were significant non-equilibrium characteristics in space. (2) The total regional disparities of residential per living consumption carbon emissions showed a downward trend from 0.379 in 1997 to 0.244 in 2015. The inter-group gap between urban and rural residents' consumption carbon emissions was the main source of urban-rural disparity from 1997 to 1999, and its contribution rate exceeded 50%. The intra-group gap became the main source of urban-rural disparity after 2000, and its contribution rate was greater than 40% that exceeded the inter-group gap. (3) The residential per living consumption carbon emissions of urban and rural both increased and the reginal differences enlarged as well. (4) The province that contributed the most to the changes in residential per living consumption carbon emissions in China was Inner Mongolia, with a cumulative contribution value of 0.1005. The province with the smallest contribution was Yunnan, with a cumulative contribution of 0.0125. (5) The contribution of rural energy consumption intensity and per capita consumption level were greater than the urban areas during the study period, and the contribution level of unit energy carbon emission intensity in in rural and urban showed volatility.

urban residents；rural residents；living consumption；carbon emissions；dagum gini coefficient；LMDI

X24

A

1000-6923(2018)11-4369-15

范建双(1980-),男,辽宁省盖州市人,副教授,博士,主要从事土地经济与政策、城镇化与碳排放绩效等方面的研究.发表论文30余篇.

2018-04-18

国家自然科学基金资助项目(71774142);教育部人文社科项目(17YJAZH022);浙江省哲学社会科学重点研究基地项目(16JDGH045);浙江省自然科学基金资助项目(LY16G030029);杭州市科技计划软科学研究重点项目(20160834M23)

* 责任作者, 副教授, fjshmy@zjut.edu.cn