中国碳强度减排目标实现的路径及可行性研究

钟超　刘宇　汪明月　史巧玲

摘要 为探讨实现强度减排目标的可能路径及每种路径下的可行性，在能源效率随机前沿分析模型的基础上，运用最大似然法对84个国家1971—2014年平均能源效率进行估计。并在此基础上综合考虑能源结构、经济结构、人力资本、资本存量和潜在能源效率5个要素，结合权威机构对上述要素未来发展的预测数据及参数，构建单一要素和多要素组合的96种模拟情景，系统分析每种减排路径下的中国碳强度减排情形及实现减排目标所要付出的减排努力。研究发现：①提高潜在能源效率对于实现减排目标的贡献度最大，且仅通过调整能源结构、经济结构、人力资本、资本存量或潜在能源效率的单一减排路径难以实现中国强度减排目标。②中国若要实现减排目标，必须从能源结构（化石燃料占比要低于80%，且平均增速要降低2.2%），经济结构（服务业占比要高于60.4%，且非服务业增速要降低2.4%），人力资本（持续稳定），资本存量（持续稳定）和潜在能源效率（提高1%）来优化减排路径。在上述研究的基础上，给出如下政策建议：①通过技术创新和能源市场机制创新，不断提高能源效率。②加快工业产业结构升级，降低生产生活碳排放量。③不断优化国家能源结构，促进源头排放量降低。④给予人力资本和资本存量稳定合理的发展空间，为碳减排提供要素支撑。

关键词 ：碳强度减排；减排目标；路径设计；可行性分析；随机前沿分析

中图分类号：F205； F201

文献标识码 A 文章编号 1002-2104（2018）10-0018-09 DOI：10.12062/cpre.20180421

工业化的快速发展，很大程度上改善了人民的生活水平，然而，大量化石能源的消耗也导致了CO2排放的剧增[1]。政府间气候变化专门委员会（Intergovernmental Panel on Climate Change， IPCC）评估报告指出，过去50年来的全球变暖很大程度上与温室气体排放有关[2]。国际能源署（International Energy Agency， IEA）统计数据表明，中国的碳排放总量于2007年超过美国，成为全球碳排放最大国，2016年碳排放量占全球总排放量的19.12%[3]。2015年的世界气候大会上，中国向联合国气候变化框架公约秘书处提交了应对气候变化国家自主贡献报告，承诺到2030年的碳强度（单位GDP的CO2排放）比2005年下降60%～65%。这一目标的实现将加速我国绿色低碳转型，也为实现全球温升2℃的控制目标提供基础和大国示范作用。尽管中国的碳强度呈现下降趋势（2014年比2005年下降了33.8%），然而，总体碳强度仍处于较高水平且能源消费结构还有待优化[4-5]。因此，在减排目标和减排压力的双重制约下，如何制定科学可行的碳减排路径和策略是抑制碳排放和提前达峰的重要基础[6]。

1 文献综述

区域经济发展的不平衡性存在于所有的经济体中，差异化发展必然会出现先发地区和后发地区[7]。区域发展的不平衡性既体现在经济发展的不平衡性，还体现在产业结构、能源消费模式及其他要素等[8-9]。科学的减排政策和减排措施就是要从区域发展的实际出发，探寻适合本区域可持续发展的路径和模式[10-11]。从已有的研究成果来看，lvaro López-Pea et al [12]研究发现在西班牙短中期碳减排措施中，提高能源效率比发展新能源更为有效和低成本；Chang et al[13]以台湾1984—2014年的数据为基础进行实证研究发现，高速交通、石化原料和钢铁行业是碳排放的重点行业，通过优化能源需求结构可以有效降低碳排放量；Tian et al[14]认为北京实现碳减排的可靠路径包括优化能源结构、改善能源需求结构；Elliott et al[15]利用2005—2008中国地级市的样本数据，对城市能源强度和外国公司的关系进行探讨发现，外国直接投资（FDI）的流入和城市能源强度之间存在着显著的负相关关系，同时，这种关系也受到城市地理位置的影响；Peters et al[16]研究发现选择和优化一国的贸易模式也是实现减排目标的一个措施；Zuberi et al[17]运用能效成本曲线研究了瑞士水泥行业的能效改进和二氧化碳减排潜力，并认为能效改进对碳减排有促进作用；Yang et al[18]通过构建超越对数生产函数来分析中国的能源结构及其转变，研究发现人力资本投资、固定资本投资及化石能源技术进步有助于经济增长和减排的双赢；Al-Mulali et al[19]和Sheng et al[20]研究发现一定程度上的城镇化进程可以有效改善能源效率，降低碳排放量。

已有的研究表明，针对如何实现碳减排目标，国内外学者分别从不同角度提出了不同的策略和措施，包括提高能源效率、优化能源需求结构、外商直接投资、贸易模式、环境创新及提高城镇化率等。然而，这些策略并非完全独立，且存在一定的差异。同时，也包含一系列的共性要素。例如，经济结构的升级会通过作用于居民消费和技术进步等途径来影响碳排放，而资本存量投资和人力资本的增加是影响经济发展的重要因素[21-23]；城镇化率将主要通过改善人力资本存量、能源消费结构及能源效率等条件来降低能源使用量和碳排放量[24-26]；环境创新属于创新大类的范畴，而创新活动与人力资本和资本存量是密不可分的，这也已经是学术界公认的法理[27-28]。同时，OECD发达国家的发展实践表明，实现减排的关键在于提高技术、优化能源结构和经济结构[29-31]。在已有研究的基础上，我们将优化减排路径的要素归纳为能源结构、经济结构、人力资本、资本存量和潜在能源效率5类，认为减排政策和措施的制定都是围绕这其中一个或者几个来开展减排活动。

综上所述，中国作为一个负责任的大国，给出了明确的减排目标和任务，设计并論证减排路径的科学性和可行性是学界和政界普遍关注的问题。区域发展的不平衡性决定减排路径和减排措施要从区域发展的实际出发，国外成熟的减排政策不一定适合中国的减排实际。已有的研究中，学者们从分别提高能源效率、优化能源需求结构等路径来推进减排目标实现。然而，这些减排路径要么是基于国外的发展实践，要么是对几个路径进行简单整合，对于可行的减排路径的分析还不够完善和系统。我们将在上述研究的基础上，试图回答以下3个问题：①单一要素的减排路径能否实现减排和达峰目标？②如果单一要素的减排路径不能实现减排目标，如何通过要素整合方式来构建多要素整合的减排路径？③每种减排路径的可行性怎么样，需要付出怎样的减排努力？为此，本文将立足中国发展实际，综合考虑经济结构、能源结构、人力资本、资本存量及潜在能源效率5个要素，分别构建单一要素和多要素组合的模拟情景，系统地研究中国实现强度减排目标的可能路径及每种路径下的可行性分析。

2 模型设置

在借鉴Stern[32]构建的能源强度随机前沿模型及参数的基础上，运用最大似然法对84个国家1971—2014年的平均的能源效率进行估计，具体如公式（1）所示，能够很好地规避因时间变化所带来的结构性影响。

3 数据来源

能源結构数据来自国家统计局的《中国能源统计年鉴》，本文将能源结构分为煤炭、石油、天然气、基础电力和生物质能源（限于数据可得性，本研究不涉及港、澳、台等省区）。本研究中石油为剩余项，各项比值加总之和为1。经济结构方面，本文将一国经济总产值划分为以下四个方面：农业、采矿业及公共事业、制造业和服务业。其中，为保证数据的可运算性，本研究选取采矿业及公共事业为剩余项，其余三项数据均来自World Development Indicators，各项比值加总之和为1。GDP以2011年为基期，单位106美元，数据来自Penn World Table。资本存量数据来自Penn World Table。碳排放量为化石燃料燃烧后产生的二氧化碳排放数据，来自国际能源署数据库。气温方面，本研究仅使用冬季年平均气温，默认每年冬季平均气温为-5.8℃[32]。

人力资本方面，本研究参考 Caselli[33]和Jones[34]，按照公式（7）和（8）计算出人力资本情况。其中，假定θ为0.07，workers为工人数目，s为平均受教育年限。工人数目来源于Penn World Table， version 9.0，受教育年限参考Barro and Lees[35]的数据。公式如下：

4 碳强度减排目标实现的路径设计

目前为止，世界上很多国家已经向《联合国气候变化框架公约》（UNFCCC）提交了自己的自主减排贡献方案，但是这些国家减排目标能否如期达成？本文研究以中国为例，从能源结构、经济结构、人力资本、资本存量和潜在能源效率5个角度来计算分析中国碳强度减排的情况。其中，能源结构设置了CPS、NPS和450S三种情景；经济结构设置了LEC和HEC两种情景；人力资本设置了Kruger和HC14两种情景；资本存量设置了EIU和HCS两种情景；潜在能源效率设置了β-USA、U4、U5和U6四种情景。

4.1 能源结构

国际能源署就当前政策、新形势政策和空气中平均CO2浓度450 ml/m3三种设定下，分别给出我国能源消费结构情况，记为CPS、NPS和450S三种情景（见表1）。

从表1可以看出，这三种情景设置下，主要变化在于化石燃料的增速问题，越积极的能源结构，化石燃料增速越低。以煤炭为例，若执行以上3种情景，我国必须将煤炭消费平均增速由当前的3.02%调整为0.87%～2.37%。此外，石油和天然气等能源消费的增速也均要降低到之前水平的一半左右。

4.2 经济结构

经济结构是本文研究碳排放强度变化的重要分析角度之一。在这一角度下，本研究参照李善同[36]的 DRC-CGE 模型预测结果，设置低经济情景（LEC情景）；参照李平等[37]CN3ET-DCGE 模型预测结果，设置高经济情景（HEC情景）。需要说明的是，本研究参考2014年经济结构，按3∶7的比例将第二产业分成采矿业及公共事业和制造业。此外，GDP增长率参考世界银行预测，2016—2020年经济增长率为6.9%，2012—2025年，经济增长率为6%，2026—2030年，经济增长率为5.1%。

由表2可知，随着中国经济增速的放缓，执行低经济情景时，我国各产业的平均增速不断下降。其中，农业平均增速降幅最大，由当前的6.36%的平均增速降为-0.07%。第二产业增速变化较小，服务业平均增速由9.67%降为6.47%。高经济情景下，非服务业平均增速由当前的6.62%下降为4.24%。相对低经济情景，高经济情景非服务业平均增速降低明显。因为主要的碳排放来自非服务业，所以高经济情景对减排具有较好的抑制作用。

4.3 人力资本

人力资本包含了工人数目和受教育年限，一定程度上代表了技术的变化。研究参考Kruger[38]对人力资本的预测，计算得出2030年的中国人力资本状况，记为Kruger情景。此外，在这一角度下，研究假定人力资本保持2014年的增速1.47%不变，给出HC14情景。HC14情景相对Kruger情景增速更高，因此Kruger情景相对更为客观。

4.4 资本存量

资本存量包含投资变量，投资的变化既会影响到能源消耗又会对总产值的变化具有重要作用。本研究参考EIU数据库对我国2014—2030年资本存量的增长率的预测，给出了EIU情景。该预测认为我国2014—2030年年均增速为7.07%，该速度相对缓和，符合我国目前的经济形势。此外，数据显示，2004—2014年，我国的资本存量增长速度较为稳定，平均增速约为12.47%。研究假定，自2014年，资本存量每隔三年降低1个百分点，给出HCS情景。

4.5 潜在能源效率

我们把预测的能源强度与真实的能源强度比值的对数值称为潜在能源效率。该部分的预测主要是基于假定中国与美国之间的潜在能源效率满足β收敛。美国是全球最大的经济体和技术领导者，因此将美国潜在能源效率作为中国潜在能源效率的收敛对象。在这一角度下，本研究给出了β-USA情景。

此外，因为μ的特殊性，在本研究中，μ越小，则技术进步越快。研究发现2009—2014年我国μ的降速为4%，本文假定保持该速度不变，设置了U4情景。此外，研究假定该指标平均速度分别在此基础上降低1%和2%时，设置了U5和U6两种情景。

潜在能源效率方面，为了更好展示增速情况，本研究特意选取1/μ变化率作为能源效率增速指标。1/μ代表我国单位能耗产值与世界单位能耗产值之比。该值增速越高，代表我国能源效率进步越快。我国2009—2014年，1/μ增速为4.19%，根据β收敛法算出的结果与之相似，但若我国2030年达到U5、U6情景时，该指标需要分别增加约1.1和2.2个百分点（见图1）。

基于以上5个角度，研究设定了3×2×2×2×4=96个情景组合来预测中国未来2030年目标达成情况。

5 减排目标达成路径分析

5.1 BAU情景组合

首先假定中国不会因为气候变化采取任何改变能源结构的行动，能源结构保持当前政策不变，經济结构、人力资本和资本存量等均按照正常经济轨迹运行，不考虑外部经济冲击的影响。即能源结构执行CPS情景，经济结构执行LEC情景，人力资本和资本存量分别执行Kruger情景和EIU情景，潜在能源效率按收敛于美国计算。以上情景组合视为基准情景组合（或BAU情景组合）。

BAU情景组合下，至2030年我国碳排放强度相对2005年大约降低32.43%，远远低于我国在INDC报告上提出的60%～65%的减排目标。

5.2 单项情景调整分析

BAU情景组合下，2030年我国碳排放强度降低约32.43%。经计算，若想达成60%的强度减排目标，其他情景组合要在此基础上提升约27.57%的贡献度。现以BAU为基准情景，分析其他单维度情景调整对整个碳排放的贡献度（见图2）。

从能源结构角度看，我国若只调整能源结构情景，NPS、450S情景分别能降低2.31%和8.4%的碳排放强度。因此，能源结构的调整，最多仅能带来8.4%的强度减排。从经济结构角度看，高经济情景组合能降低5.98%的碳排放强度，即高经济情景的贡献依然很可观。从人力资本角度看，我国若只调整人力资本情景为HC14，该组情景能降低35.36%的碳排放强度，即HC14情景的贡献度仅为2.93%。这说明人力资本的情景改变所带来的贡献度非常有限。从资本存量角度看，我国若只调整资本存量情景为HCS，该组情景能降低34.55%的碳排放强度，即HCS情景的贡献度为34.55%。资本存量对碳排放的贡献度依然有限，仅为2.12%。从潜在能源效率角度看，我国若只调整潜在能源效率情景为U4情景、U5情景和U6情景，则分别带来37.72%、47.33%和55.54%的碳排放强度。其中，U4情景的贡献度为5.3%，U5情景的贡献度为14.91%，U6情景的贡献度为23.11%。单一情景调整虽然均达不到强度减排目标，但相比其他情景的单一调整，潜在能源效率的调整存在巨大优势。

综合来看，单项情景调整过程中，潜在能源效率U6情景的贡献度最高，达到23.11%；资本存量HCS情景贡献度最低，仅2.12%。结果看出，仅通过能源结构、经济结构、人力资本、资本存量或潜在能源效率的单一调整难以达成我国强度减排目标。

5.3 多项情景调整组合分析

根据前文分析结果，仅通过单一维度的变化，难以达到减排目标。因此，本研究对96种情景组合进行分类分析，并对能源结构、经济结构，潜在能源效率进行分类：

能源结构方面，研究将CPS归为基准的能源结构情景，NPS归为稳健的能源结构情景，450S情景归为积极的能源结构情景。经济结构方面，将HEC归为积极的经济结构情景，LEC归为稳健的经济结构情景。潜在能源效率方面，β-USA归为基准的能源效率情景，U4为稳健的能源效率情景，U5为积极的能源效率情景，U6为超积极的能源效率情景。本研究将对基准情景组合和目标达成情景组合做出分析（见表3）。

5.3.1 基准的能源结构+稳健的经济结构+基准的能源效率

表3中1～4情景组合，为基础情景组合。此时，我国执行基准的能源结构与效率、稳健的经济政策。碳强度降低幅度在32.43%～37.39%之间。其中贡献度最低的是情景组合1，其碳强度降低幅度为32.43%，贡献度为0，即为基准情景组合。贡献度最高的为情景组合4，其碳强度降低幅度为37.39%，即当其他情景保持不变，人力资本和资本存量同时执行最高情景时，二者组合的贡献度仅为4.96%，远低于我国碳强度减排要求。

5.3.2 稳健的能源结构+稳健的经济结构+超积极的能源效率

表3中5～8情景组合，此方式为我国能源结构和经济结构执行稳健情景，能源效率执行超积极情景。2030年我国减排强度降低幅度在57.06%～60.21%之间。其中，情景组合8的碳强度降低幅度是60.21%，达到减排目标。即若其他条件保持不变，NPS、U6、HC14、HCS的情景组合贡献度为27.79%。若按照情景组合8的路径执行，要求我国必须在能源结构上做出稳健调整，而且能源效率上，我国要相对世界能效进步速度水平基础上进一步提升约2%增速。

5.3.3 积极的能源结构+稳健的经济结构+超积极的能源效率

表3中9～12情景组合，我国能源结构、经济结构和能源效率分别执行积极、稳健和超积极的情景。2030年我国能源强度降低幅度将在61.06%～ 63.92%之间。以上四种情景组合均可达到减排目标，其共同特点是能源结构为积极情景，能源效率为超积极情景，这对我国的能源结构调整和能效进步均提出较大挑战。

5.3.4 积极的能源结构+积极的经济结构+积极的能源效率

表3中13～16情景组合，我国能源结构、经济结构和能源效率分别执行积极情景。2030年我国碳强度降低幅度在57.96%～61.05%之间。其中，情景组合16的碳强度降低幅度是61.05%，达到减排目标。若其他条件保持不变，450S、U5、HC14、HCS的情景组合贡献度为28.62%。若按照情景组合16的路径执行，要求我国必须要在能源结构、经济结构和能源效率上分别做出积极调整，非化石能源占比和服务业占比要进一步提升；潜在能源效率上，我国要相对世界能效进步速度水平基础上进一步提升约1%增速。

5.3.5 基准的能源结构+积极的经济结构+超积极的能源效率

表3中17～20情景组合，我国能源结构、经济结构和能源效率分别执行基准、积极和超积极的情景。2030年我国碳强度降低幅度在59.48%～62.45%之间。其中，情景组合18、19、20的碳强度降低幅度均达到减排目标。若其他条件保持不变，HEC、U6、HC14、HCS的情景组合贡献度为30.03%。按照此路径执行，则要求我国必须要在经济结构和能源效率上做出积极和超积极调整，能源结构可以保持基准不变；经济结构上，执行高经济情景，服务业占比要进一步提升；潜在能源效率上，我国要相对世界能效进步速度水平上提升约2%增速。

5.3.6 稳健的能源结构+积极的经济结构+超积极的能源效率

表3中21～24情景组合，我国能源结构、经济结构和能源效率执行稳健、积极和超积极情景。2030年我国碳强度降低幅度在60.86%～63.74%之间。以上四种情景组合的强度降低幅度均达到减排目标，同时也可以判断出，若其他条件保持不变，NPS、HEC、U6、HC14、HCS的情景组合贡献度为31.33%。若我国按照此路径执行，要求我国必须要在经济结构和能源效率上做出积极和超积极调整。相对“基准的能源结构+积极的经济结构+超积极的能源效率”的路径，该组合在能源结构上要求更高，因此并非最佳路径。

5.3.7 积极的能源结构+积极的经济结构+超积极的能源效率

表3中24～28情景组合，我国能源结构、经济结构均执行积极的情景，能源效率执行超积极情景。此时，至2030年我国碳强度降低幅度将在64.51%～67.12%之间。以上四种情景组合的强度降低幅度均达到减排目标，同时也可以判断出，若其他条件保持不变，450S、HEC、U6、HC14、HCS的情景组合贡献度为34.69%。若我国按照此路径执行，这要求我国必须要在经济结构和能源效率上做出积极和超积极调整，能源结构也要做出积极调整。相对“基准的能源结构+积极的经济结构+超积极的能源效率”的路径，经济结构和能源效率要求均一样，但能源结构上要求更高，因此也并非最佳路径。

6 结论与讨论

6.1 研究结论

中国的碳排放量和能源消耗量位居世界首位，作为一个负责任的大国，在许多公众场合表明了参与全球气候治理的态度，并提出了明确的碳强度减排目标。当前，中国正处于工业化时期，为了减缓因控制碳排放量对经济发展的冲击，势必要设计科学可行的减排路径。从以往的碳减排实践和减排理论研究发现，能源结构、经济结构、人力资本、资本存量和潜在能源效率5个要素是减排路径构成的重要因素。在能源效率随机前沿分析模型的基础上，综合考虑上述5个要素，并结合权威机构对上述要素未来发展的预测数据，构建单一要素和多要素组合的96种模拟情景，系统分析每种减排路径下的中国碳强度减排情形及实现减排目标所要付出的减排努力。

通过以上分析，可以得到如下结论：①仅通过优化能源结构、经济结构、人力资本、资本存量和潜在能源效率等单一要素所构建的减排路径难以实现2030年的碳强度减排目标（60%的碳强度減排目标），即潜在能源效率U6情景的贡献度最高，仅为23.11%，资本存量HCS情景贡献度最低，仅为2.12%。②从多要素组合构成的减排路径来看，如果要实现碳强度减排目标，大部分需要改善潜在能源效率，即实施超积极的能源效率是最有效的减排方式，然而，这对于正处于工业化中后期的中国而言，挑战较大（潜在能源效率改善的增速比世界能效改善速度要高出2%的技术水平）。③如果我国只能采取积极的能源效率，要实现减排目标，在能源结构、经济结构、人力资本和资本存量等方面必须均达到最高情景设置，即要求中国在能源结构方面，化石燃料占比要低于80%，化石燃料平均增速（相对目前需要）降低约2.2%；在经济结构方面，服务业占比要达到60.4%以上，非服务业平均增速要降低2.4%；在人力资本方面，要求中国最少保持2014年的增速；在资本存量方面，要求中国按照当前的经济发展方式进行，或较为缓和地降低。总体而言，中国要实现碳强度减排目标只有通过要素组合优化的方式来实现，即只有综合调整能源结构、经济结构、人力资本、资本存量和潜在能源效率才能达到积极的减排情景。

6.2 政策建议

基于上述研究结论，为进一步优化减排路径，提出如下几点建议：

（1）通过技术创新和能源市场机制创新，不断提高能源效率。单纯地依靠低碳技术或能源技术创新并不一定能够显著改善能源效率，还需要相应的能源市场机制来优化要素的配置方式。能源市场扭曲一定程度上阻碍能源要素在全局范围内的配置效率，阻碍了技术进步对能源效率的促进效应。相对应地，能源市场可以保证能源要素的优化配置，进而促使低碳（能源）技术进步，提升能源效率。

（2）加快工业产业结构升级，降低生产生活碳排放量。产业结构的升级，不能只盯着第三产业的发展，还需要工业发展作为支撑，否则必将导致过度投资、重复建设、恶性竞争等问题。充分发挥产业结构升级的碳减排效应，即在鼓励第三产业发展的同时，进一步促进第二产业从低端制造业向高技术产业、装备制造业转型升级，从劳动密集型、资本密集型产业向技术密集型和知识密集型产业过渡，加快工业结构的转型升级，使产业规模的扩大与质量的提升相匹配。

（3）不断优化国家能源结构，促进源头排放量降低。考虑到中国煤炭资源丰富、油气资源相对不足与对外依存度大、可再生能源发展面临多重瓶颈，应根据资源禀赋特征，从长远战略的角度确定能源转型方向。从调整能源结构、保障能源安全及应对气候变化出发，中国能源转型路径应将发展清洁低碳能源作为调整能源结构的主攻方向，同时，要坚持发展非化石能源与清洁高效利用化石能源并举。

（4）给予人力资本和资本存量稳定合理的发展空间，为碳减排提供要素支撑。中国若要实现碳强度减排目标，应通过政策保障措施实现人力教育投资和国内资本投资稳步增长。人力教育的发展和国内资本投资对技术创新发展至关重要，人才及技术的扩散效应在一定程度上也将带来能源结构、经济结构以及能源效率的优化改善。

（编辑：李 琪）

参考文献（References）

[1]LIU Y， TAN X J， YU Y， et al. Assessment of impacts of Hubei Pilot emission trading schemes in China： a CGEanalysis using TermCO2 Model[J]. Applied energy， 2017， 193：762-769.

[2]EDENMOR E， OTTOMA N， et al. IPCC special report on renewable energy sources and climate change mitigation [M]. Cambridge， UK： Cambridge University Press， 2011.

[3]QUIRE C L， MORIARTY R， ANDREW R M， et al. Global carbon budget 2014[J]. Earth system science data discussions， 2015， 7（2）：521-610.

[4]XU F， XIANG N， NIJKAMP P， et al. Dynamic simulation of Chinas carbon intensity and energy intensity evaluation focusing on industry and energy structure adjustments by 2020[J]. Environmental engineering & management journal， 2013， 12（10）：1897-1901.

[5]ZHANG X P， CHENG X M. Energy consumption， carbon emissions， and economic growth in China[J]. Ecological economics， 2009， 68（10）：2706-2712.

[6]ZHANG Y J， PENG Y L， MA C Q， et al. Can environmental innovation facilitate carbon emissions reduction？ evidence from China[J]. Energy policy， 2017， 100：18-28.

[7]LIU L C， LIANG Q M， WANG Q. Accounting for Chinas regional carbon emissions in 2002 and 2007： productionbased versus consumptionbased principles[J]. Journal of cleaner production， 2015， 103：384-392.

[8]JIANG J J， YE B， XIE D J， et al. Provinciallevel carbon emission drivers and emission reduction strategies in China： combining multilayer LMDI decomposition with hierarchical clustering[J]. Journal of cleaner production， 2017， 169：178-190.

[9]YU V K， KOLOSOVSKY A M， TIKHONOVA A A. The assessment of research and technical potential in the framework of the innovative model of development of regional economy[J]. Baltic region， 2012， 1（1）：89-96.

[10]WEI J， HUANG K， YANG S， et al. Driving forces analysis of energyrelated carbon dioxide （CO2 ） emissions in Beijing： an inputoutput structural decomposition analysis[J]. Journal of cleaner production， 2017， 163： 58-68.

[11]WEN L， ZHANG E N. Regional allocation of carbon emissions in China based on zero sum gains data envelopment analysis model[J]. Environmental engineering research， 2016， 21（1）：91-98.

[12]LVARO L P， PEREZARRIAGA I， LINARES P. Renewables vs. energy efficiency： the cost of carbon emissions reduction in Spain[J]. Energy policy， 2012， 50（11）：659-668.

[13]CHANG Y F， LEWIS C， LIN S J. Comprehensive evaluation of industrial CO2 emission （1989-2004） in Taiwan by inputoutput structural decomposition[J]. Energy policy， 2008， 36（7）：2471-2480.

[14]TIAN X， CHANG M， TANIKAWA H， et al. Structural decomposition analysis of the carbonization process in Beijing： a regional explanation of rapid increasing carbon dioxide emission in China[J]. Energy policy， 2013， 53（1）：279-286.

[15]ELLIOTT R J R， SUN P Y， CHEN S Y. Energy intensity and foreign direct investment： a Chinese citylevel study[J]. Energy economics， 2013， 40（2）：484-494.

[16]PETERS G P， MARLAND G， QUERE C L， et al. Rapid growth in CO2 emissions after the 2008-2009 global financial crisis[J]. Nature climate change， 2011， 2（1）：2-4.

[17]ZUBERI M J S， PATEL M K. Bottomup analysis of energy efficiency improvement and CO2， emission reduction potentials in the Swiss cement industry[J]. Journal of cleaner production， 2017， 142：4294-4309.

[18]YANG L， WANG J， SHI J. Can China meet its 2020 economic growth and carbon emissions reduction targets？[J]. Journal of cleaner production， 2016， 142：993-1001.

[19]ALMULALI U， FEREIDOUNI H G， LEE J Y M， et al. Exploring the relationship between urbanization， energy consumption， and CO2， emission in MENA countries[J]. Renewable & sustainable energy reviews， 2013， 23（4）：107-112.

[20]SHENG P F， GUO X H. The longrun and shortrun impacts of urbanization on carbon dioxide emissions[J]. Economic modelling， 2016， 53：208-215.

[21]PAN X F， YANG Y， ZHANG W. Spatial effect analysis of foreign direct investment （FDI） on carbon intensity in China[J]. Environmental engineering & management journal， 2014， 13（5）：1251-1255.

[22]VOON J P， CHEN E K Y. Contributions of capital stock quality improvement to economic growth： the case of Hong Kong[J]. Journal of Asian economics， 2003， 14（4）：631-644.

[23]PELINESCU E. The impact of human capital on economic growth [J]. Procedia economics & finance， 2015， 22（20）：184-190.

[24]POUMANYVONG P， KANEKO S， DHAKAL S. Impacts of urbanization on national transport and road energy use： evidence from low， middle and high income countries[J]. Energy policy， 2012， 46（3）：268-277.

[25]WANG Z M， ZANG Z. Strategic human resources， innovation and entrepreneurship fit： a crossregional comparative model[J]. International journal of manpower， 2005， 26（6）：544-559.

[26]LIDDLE B. Impact of population， age structure， and urbanization on carbon emissions/energy consumption： evidence from macrolevel， crosscountry analyses[J]. Population & environment， 2014， 35（3）：286-304.

[27]LI Y H， CHEN C， WANG Y F， et al. Urbanrural transformation and farmland conversion in China： the application of the Environmental Kuznets Curve[J]. Journal of rural studies， 2014， 36：311-317.

[28]BOSMAN P， BUYS P W， PLESSIS J L D. The impact of human capital development on economic growth[J]. Studia universitatis babesbolyai， 2010（1）：21.

[29]YUAN J H， HOU Y， XU M. Chinas 2020 carbon intensity target： consistency， implementations， and policy implications[J]. Renewable & sustainable energy reviews， 2012， 16（7）：4970-4981.

[30]GUAN D， KLASEN S， HUBACEK K， et al. Determinants of stagnating carbon intensity in China[J]. Nature climate change， 2014， 4（11）：1017-1023.

[31]CANSINO J M， ROMAN R， RUEDACANTUCHE J M. Will China comply with its 2020 carbon intensity commitment？[J]. Environmental science & policy， 2015， 47：108-117.

[32]STERN D I， JOTZO F. How ambitious are China and Indias emissions intensity targets？[J]. Energy policy， 2010， 38（11）：6776-6783.

[33]CASELLI F. Accounting for crosscountry income differences[J]. LSE research online documents on economics， 2005， 1（5）：679-741.

[34]JONES C I. Sources of US economic growth in a world of ideas[J]. American economic review， 2002， 92（1）：220-239.

[35]BARRO R J， LEE J W. International data on educational attainment： updates and implications[J]. Oxford economic papers， 2001， 53（3）：541-563.

[36]李善同. “十二五”時期至2030年我国经济增长前景展望[J]. 经济研究参考， 2010（43）：2-27. [LI Shantong. Prospect of Chinas economic growth from the ‘Twelfth FiveYear Plan to 2030[J].Review of economic research， 2010（43）：2-27.]

[37]李平， 娄峰， 王宏伟. 2016—2035年中国经济总量及其结构分析预测[J]. 中国工程科学， 2017， 19（1）：13-20. [LI Ping， LOU Feng， WANG Hongwei. Analysis and forecast of Chinas total economy and its structure from 2016-2035[J] Engineering sciences， 2017， 19（1）：13-20.]

[38]KRUGER M. How fast can China grow？ the Middle Kingdoms prospects to 2030[R]. 2016.

[39]SRERN D I. Modeling international trends in energy efficiency and carbon emissions[D]. Sydney： Australian National University， 2010.

Abstract To explore the possible paths for achieving intensity reduction targets and the feasibility of each route， based on the stochastic frontier analysis model of energy efficiency， the maximum likelihood method was used to estimate the average energy efficiency of 84 countries from 1971 to 2014. In view of this model， we comprehensively considered five factors： energy structure， economic structure， human capital， capital stock， and potential energy efficiency. Using forecast data on the factors from authoritative sources， we have modeled 96 scenarios on the effects of each single factor and their combinations， and systematically analyzed the results of carbon intensity reduction in China along each possible path， and the efforts required to achieve the reduction target. It is found： first， increasing the potential energy efficiency makes the greatest contribution to the target， which are unlikely to be achieved through adjusting any single one of the five factors； second， to hit its target， China needs to optimize its energy structure （the fossil fuel ratio must be lower than 80%， and its average growth rate must be decreased by 2.2%）， economic structure （the service sector GDP ratio must be higher than 60.4%， while the growth rate of nonservice sectors must be lowered by 2.4%）， human capital and capital stock （both of which must maintain stable growth）， and potential energy efficiency （which needs 1% increase）. Based on the above studies， the following policy recommendations are given： first， continuously improving energy efficiency through technological innovation and innovation in energy market mechanisms； second， accelerating the upgrading of the industrial structure and reducing the carbon emissions from production and living； third， continuously optimizing the national energy structure and promoting the reduction of source emissions； fourth， providing a stable and reasonable development space for human capital and capital stock， and providing essential support for carbon emission reduction.

Key words carbon intensity reduction； emission reduction target； path design； feasibility study； stochastic frontier analysis