京津冀产业碳排放强度变化及驱动因素研究

王开+傅利平

摘要 为探讨京津冀地区温室气体排放强度变化的影响因素，采用对数平均迪式分解模型及归因分析（LMDIAttribution）方法，基于1996—2014年数据从细分行业角度进行研究。针对温室气体排放强度作产业结构、能源强度和排放因子三因素LMDI乘法分解，对温室气体排放强度变化的影响效应作归因分析，量化4个行业对分解因素影响效应的贡献，得到以下主要结论：1996—2014年京津冀地区温室气体排放强度主要呈现下降趋势，累计下降23.05%。其中，能源强度是温室气体排放强度下降的主导因素，其影响效应为-61.18%，对这一影响效应贡献最大的是工业，并且四大经济部门均通过能源强度在不同程度上使得温室气体排放强度有所减小，可见“阶梯电价”、“千家企业节能项目”、“十大重点节能项目”等相关政策在工业发展中对提高能源效率的作用明显。产业结构使得温室气体排放强度增加23.53%，其主要贡献者是工业，说明“工业产品出口退税率调整”等一系列政策的效果不明显；然而农业则使得温室气体排放强度降低，贡献值为3.09%。碳排放因子在1996—2014年间对温室气体排放强度的影响为60.47%，是京津冀地区温室气体排放强度增加的主要因素，说明京津冀地区的能源结构不合理。工业对这一效应的贡献最大为55.97%。可见，工业在京津冀地区的温室气体减排工作中起到最为关键的作用。

关键词 京津冀地区；温室气体排放强度；LMDIAttribution； 节能项目；阶梯电价

中图分类号 X322

文献标识码 A文章编号 1002-2104（2017）10-0115-07DOI：10.12062/cpre.20170421

目前，中国是世界上最大的温室气体排放国，占全球温室气体排放总量的25.86%[1]，在世界应对气候变化的过程中扮演重要的角色。京津冀地区作为我国的重要经济圈，其温室气体减排情况直接关系到国家总目标的实现。天津市和河北省是中国较大的工业基地之一，北京作为中国的首都，经济发展迅速。2014年，京津冀地区人口总数占全国人口总数的8.06%，国内生产总值占全国的10.45%，能源消费总量占全国的比重为10%左右，温室气体排放量占全国10.83%。可见，研究京津冀地区的温室气体排放问题具有重要意义。

1 文献综述

目前，许多学者对中国二氧化碳排放问题进行了研究，其中分解分析是相关研究的有效工具，研究主要从国家层面、省域层面和行业层面展开。赵志耘和杨朝峰[2]采用LMDI方法分析中国2000—2009年碳排放的影响因素；Xu et al.[3]采用LMDI方法从部门角度研究中国温室气体的变化，基于此评价了中国减排政策；郭朝先[4]采用LMDI分解法从产业层面和地区层面对碳排放进行分解，从产业和能源利用层面提出碳减排的有效途径和可行选择。鉴于工业碳排放量占中国碳排放总量的70%[5]，对于工业碳排放的影响因素成为一个研究热点。国涓等人基于修正的Laspeyres指数分解方法，分析中国工业和工业各部门1994—2007年碳排放的影响因素，结果表明工业产出是中国工业部门碳排放增长的主要因素，而能源强度则是抑制碳排放的主要因素[6]。董军和张旭基于LMDI方法研究了中国工业部门1995—2007年碳排放的影响因素，结果表明能源强度对碳排放起到了明显的抑制作用，但工业总量增长效应抵消了能源强度效应[7]。Ren et al.等人从省域角度分析中国工业碳排放变化的原因，得出经济增长是碳排放增长的主要因素，能源强度效应是碳排放减少的关键因素[8]的类似结论。

关于京津冀地区碳排放的研究，王喜平等人[9]基于2000—2009年间数据研究能源强度、能源结构、产业结构、经济发展水平和人口规模等因素变化对京津冀地区碳排放的影响，LMDI方法的分解结果表明产业结构的优化是将来碳排放量降低的关键因素，并提出优化产业结构的相关建议；Wang和Yang[10]基于一个扩展的脱钩弹性分解模型和工业碳排放指数，定量分析1996—2010年京津冀工业增长和环境压力的脱钩指标；Yang et al.[11]采用STIRPAT模型研究北京碳排放的影响因素，主要聚焦用户人口相关因素。

目前关于碳排放影响因素的研究基本采用LMDI方法或STIRPAT模型，本文在此基础上采用Choi & Ang提出的LMDIAttribution分析方法[12]，该分析方法在中国问题的研究中使用较少。同时，对京津冀地区整体温室气体排放的研究相对较少，并且仅限于研究碳排放（碳排放强度）的影响因素，缺乏主要经济行业对于碳排放强度变化影响因素的贡献研究。本文基于1996—2014年京津冀地区的相关数据，首先对京津冀地区温室气体排放强度的变化进行LMDI乘法分解，将其分解为产业结构效应、能源强度效应和排放因子效应；其次，基于分解结果采用归因分析方法将各因素的影響效应归因到四个主要经济行业（农业、工业、交通运输业以及商业和服务业），即可以得到各经济行业分别通过每个影响因素对碳排放强度的贡献；基于研究结果评价“阶梯电价”[13]、“千家企业节能项目”、“十大重点节能项目”[3]以及“调整出口退税率商品目录”等一系列政策对京津冀地区碳排放强度影响的有效性。

2 研究方法和数据来源

2.1 碳排放量核算

根据政府间气候变化专门委员会（IPCC）2007报告[14]，能源相关的CO2排放量可以根据能源消耗量、排放系数和燃料的氧化率计算得出。具体方法如公式（1）所示：

其中，COt2ij表示第t年i部门j燃料的直接CO2排放量，单位为Mt；COt2j表示第t年i部门的总体能源相关CO2排放量；Etij表示第t年i部门j燃料的消耗量；EFj表示j燃料的碳排放系数；Oj表示j燃料燃烧过程中的氧化率。

热力和电力的GHG排放量是通过发电机的燃料消耗来计算，然后再按照能源平衡表中的热力和电力消耗的比例重新分配。只考虑化石燃料发电不能代表发电的一次能源消费，因为核电和水电发电比重逐年增加[15]。因此，除化石燃料，本文在研究过程中还考虑了用于发电的核电和水电能源的贡献，计算过程中对于热力核能和水能的碳排放系数假定为零。热力和电力的GHG排放系数计算公式表示为[1]：endprint

其中，eft表示第t年热力或者电力的平均排放系数；CO2ej，t表示第t年j燃料用于发热或者发电所产生的当量CO2排放量；Efossil，t表示第t年化石燃料燃烧产生的热力或者电力；Enuclear，t表示第t年核能产生的热力或者电力；Ehydro，t表示第t年水能产生的热力或者电力。

2.2 LMDI分解模型

IDA（指数分解分析）方法是探究碳排放影响因素的有效方法[16]，主要包括Laspeyres分解方法和LMDI方法，其结果不仅可以识别关键因素还可以评价相关政策的有效性。LMDI方法目前使用较为广泛，因为其具有路径无关性、处理零值的能力及一致性等优点[17]。为进行归因分析，此处采用Ang and Choi[18]提出的LMDI乘法分解方法。温室气体排放强度即单位GDP产生的温室气体排放量，将温室气体排放强度分解三个因素，包括产业结构、能源强度和排放因子，公式如下所示：

其中，CI表示碳温室气体排放强度；i表示行业，C表示二氧化碳排放总量，Ci表示i行业的二氧化碳排放量；G和Gi分别表示京津冀地区GDP总量和i行业的工业增加值；Ei表示i行业的能源消费量；Si表示i行业工业增加值占比，EIi表示i行业的能源强度，即单位GDP消耗的能源，CFi表i行业消费能源的碳排放因子。

单时段温室气体排放强度变化的分解公式如下所示：

其中，t表示年份，St/St-1，EIt/EIt-1和CFt/CFt-1分别表示[t-1，t]时间段内产业结构效应、能源强度效应和排放因子效应。（2）式中的指数计算方式如下：

其中，wi是行业i的权重，其中L（x，y）=（x-y）/（lnx-lny）。

根据单时段分解公式（4），可以得到多时段分解公式，以期初为基年，则末期的温室气体排放强度变化计算如下：

其中，0表示期初，T表示末期，等式右边是由逐年分解指数链式累乘得到，分别表示[0，T]时间段内三个指数对二氧化碳温室气体排放强度变化的影响效应，具体形式如公式（6）所示。

2.3 Attribution分析

以LMDI分解的结果为基础，对各因素的影响效应进行归因分析，计算各行业对各因素影响效应的贡献。按照Choi & Ang[14]提出的归因分析，以产业结构为例，可以得到单时段各行业对产业结构指数变化百分比的贡献值，如下：

其中，ct-1，tS，i为单时段归因分析结果，根据单时段归因分析结果，可得到[0，T]时间段各行业对产业结构效应变化的贡献：

其中，c0，TS，i将为 [0，T]时间段各行业对产业结构效应变化的贡献值。

2.4 数据来源

本研究范围为1996—2014年京津冀地区四个主要经济行业（农业、工业、交通运输业、商业和服务业）的数据。终端能源消费来源于《中国能源统计年鉴》[19]，总共考虑原煤、精洗煤、其它洗煤、焦炭、焦炉煤气、其他煤气、其他焦化产品、原油、汽油、煤油、柴油、燃料油、液化石油气、炼厂干气、其他石油制品、天然气、热力以及电力等18能源，在发电中考虑了水能和核能等新能源。GDP及各行业工业增加值来源于《中国统计年鉴》[20]，但2008年以后的工业增加值没有统计，因此根据工业增加值年平均增长率进行计算，此数据来源于《中国工业经济统计年鉴》[21]。此外，GDP及工业增加值转换为1995年不变价格，能源消费量均转换为标准煤。

3 结果分析和讨论

3.1 温室气体排放强度因素分解

使用LMDI乘法分解模型，将中国1996—2014年期间京津冀地区温室气体排放强度分解为产业结构、能源强度、排放因子三个影响因素。单时段和多时段京津冀温室气体排放强度变化及其因素分解影响效应的时间序列结果如表1所示，单时段结果表示以前一年为基年，多时段表示以1996年为基年。

从单时段分解结果可以看出，在1998年、2003—2005年间及2011年温室气体排放强度有所增长，其中对于1998年和2011年温室气体排放强度的增长，产业结构效应和碳排放因子效应是主要因素。2008年受到金融危机影响，各产业发展速度明显减缓。此后，为应对金融危机，中国政府推出一系列促进经济增长的政策，使得2011年的碳排放强度有所增加。而2003—2005年期间，能源强度也对温室气体的排放起到较为明显的促进作用，主要原因是2001年中国加入WTO，使得大批国外耗能行业转向国内投资，此阶段对于能源消费和碳排放问题政府没有提出有效的控制政策和措施[22]。多时段指数分解结果表明，温室气体排放强度从1996—2014年累计下降23.05%。能源强度是导致温室气体排放强度下降的主要因素，累计贡献值为61.18%。而产业结构和排放因子在整个研究阶段均促进温室气体排放强度的增加，其中碳排放因子发挥主要作用使得温室气体排放强度增加60.47%，产业结构效应的贡献为23.53%。

总体而言，京津冀能源强度的降低是温室气体排放强度减少的主要因素，表明其能源效率在整个研究阶段具有较大改善。说明中国在此研究阶段提出的相关政策对京津冀地区发挥了较好的作用。例如：2004年，中国针对工业提出阶梯电价的政策，将工业部分行业按照产业、技术和能源效率水平分为“鼓励”、“允许”、“限制”和“消除”四个组。其中前两组的电价按当地工业通电的标准收费，而后两组则分别需要增收0.02元/kW·h和0.05元/kW·h-的附加费。此项政策在一定程度上可以减少高耗能企业的电力消费，同时也可促进这些企业提高其技术和能源效率水平。2006年发展与改革委提出的“千家企业节能项目”和2007年财政部和发展与改革委提出的“十大重点节能项目”，促进了工业行业的节能水平同时也提高了其能源效率。产业结构在一定程度上促进了温室气体排放强度的增加，意味着京津冀地区的产业结构还需继续优化。从2003年开始，政府减少很多工业行业产品的出口退税率。此后，在2005年、2006年、2007年和2010年均对此政策进行调整，以达到减少工业行业的产品出口，从而控制工业的不断发展。但是京津冀地区的工业仍处于快速发展阶段，可见此类政策起到一定作用但作用有限。同时排放因子则对温室气体排放强度的增加起到促进作用，表明其能源结构仍然不合理。目前，京津冀地区的能源主要以煤制品和油制品为主，二者在终端能源消费中占比在60%—70%，而天然气作为化石能源中的清洁能源占比則在1.0%—3.1%，这表明京津冀地区的能源消耗仍然以高碳能源为主，对环境和气候变化产生负面影响。此外，电力的消费量从1996年的24.94%增加到2014年的34.74%，电力消费量的增加意味着煤炭消费量的增加，因为中国目前70%左右的电力来源于火力发电。为了更好地降低温室气体排放强度，在电力行业鼓励新能源的使用和发展是必要的。endprint

3.2 归因分析

基于1996—2014年京津冀地区温室气体排放强度LMDI乘法分解结果，根据式（8）对分解因素影响效应变化进行归因分析，分析结果以1996年为基年，给出1996—2014年京津冀地区各主要经济行业对分解因素影响效应变化的累计贡献值，结果如表2所示。

3.2.1 产业结构效应归因分析

对京津冀地区温室气体排放强度的分解结果显示，产业结构对温室气体排放强度变化的影响起到一定的促进作用。由表2可以看出：1996—2014年，产业结构对温室气体排放强度下降的累计影响值为23.53%，对这一值贡献最大的行业是工业，工业增加值在总增加值中占比最大，并且从1996年的38.80%增加到2014年的50.37%。京津两地的经济发展自2015年起均以第三产业为主，但仍然注重工业发展。虽然工业总体对温室气体排放强度 的增加起到促进作用，但是其新能源产业和高新技术产业的比重增速较快，对于工业内部的产业结构调整也起到积极作用，未来工业对温室气体排放强度的促进作用会有所减少。其次是交通运输业及商业和服务业，这两个行业的贡献值分别为0.78%及0.35%。交通运输业及商业和服务业的占比有一定程度的增加，因为将工业布局和高效交通体系有机结合是促进京津冀协同发展的有效途径，近些年无论铁路体系还是公路体系都有一定程度的改善，使得交通运输业有了一定发展。此外，借助互联网技术，京津冀地区的软件和信息技术服务业，电信、广播电视和卫星传输服务等新兴服务业实现了强势增长，为服务业的快速发展起到积极作用。然而农业通过产业结构对温室气体强度的减小起到一定作用，导致其减小3.09%，并且在整个研究阶段农业通过产业结构对温室气体排放强度的影响均为负值。农业的占比从1996—2014年的缩小趋势最为明显，从24.66%减小到9.28%。其主要原因是其他三大经济部门的快速发展，目前京津冀地区发布《京津冀现代农业协同发展规划（2016—2020年）》，着力构建一、二、三产业融合的现代农业经营体系，促进京津冀地区农业提质增效和转型升级。

3.2.2 能源强度效应归因分析

结合表1可以看出，能源强度对京津冀地区温室气体排放强度的降低起到主要作用。由表2可以看出，整个研究阶段能源强度均对温室气体排放强度的减小起到重要作用。除农业以外，其余三个行业的能源强度的变化均对温室气体排放强度起到抑制作用。工业对温室气体排放强度降低的贡献最大，为-59.19%。并且四大经济部门均通过能源强度对温室气体排放强度的减少起到一定作用，依次为交通运输业（-1.22%）、商业和服务业（-0.66%）、农业（-0.11%）。

1996—2014年，四大经济部门能源强度在一定程度上均有减少，如工业的能源强度减小幅度最大为53.07%；商业和服务业减小26.52%；交通运输业从1.28 Mt/亿元减小到1.11 Mt/亿元。农业的能源强度减小幅度最为轻微，从0.25 Mt/亿元减小到0.22 Mt/亿元。综上，能源强度的降低是温室气体排放强度降低的关键因素。在改善能源效率方面，政府提出了一系列政策和指导办法，如工业行业提出并完成的“千家企业节能项目”、“十个关键能源节约项目”以及“阶梯电价”等，从本文分析结果看政策起到了较好的效果；交通运输业建立了汽车排放标准和燃料消耗量限值，并颁布车辆能源消费税等，也对其能源效率的改善起到促进作用。从能源强度的归因分析结果上看，农业、交通运输业及商业和服务业虽然对温室气体排放强度的减少起到一定作用，但其能源效率仍需进一步改善。由 于能源强度的降低是温室气体排放强度降低的关键，因此国家应针对不同行业提出差异化政策建议，通过提高各行业的能源使用效率降低碳排放。

3.2.3 排放因子效应归因分析

从表2最后一行可以看出，碳排放因子对温室气体排放强度的增加起到了主要的促进作用，贡献值为60.47%。四个经济部门均使得温室气体排放强度增加，其中工业的影响最大，为55.97%，农业和交通运输业二者的贡献分别为2.47%和1.14%，商业和服务业影响相对较小，整个研究阶段的贡献值为0.89%。

四个经济部门的碳排放因子均有不同程度的增加，京津冀地区四大经济部门的能源结构都需要进一步改善。京津冀地区是全国重要的区域能源消费中心，能源消费总量占全国10%以上。国家目前正在推进京津冀区域能源结构调整，这对其温室气体排放强度的降低具有积极意义。河北省煤炭消费占一次性能源消费的90%左右，对煤炭消费依赖极其严重。天津市的煤炭和石油消费占能源消费总量的50%以上，清洁能源占比3%左右，相对较低。经过多次能源结构调整，北京的清洁低碳能源比重已達到86%左右，这对京津冀协同发展共同调整能源结构具有极其重要作用。但总体而言，京津冀地区四大经济部门的能源结构应继续优化。

排放因子效应主要体现各行业能源结构的合理性，目前，京津冀地区的能源结构虽不断改善，但高排放能源如煤炭和石油等仍占较高比值。而清洁能源和可再生能源如天然气等所占终端能源消费的比例依旧很低，因此控制高碳能源和鼓励清洁能源成为必然。

4 结论和政策建议

本文基于LMDIAttribution方法，研究中国京津冀地区温室气体排放强度的变化问题。首先，将京津冀地区1996—2014年能源消费相关的温室气体排放强度分解为产业结构、能源强度和排放因子三个因素；其次对各影响因素作进行归因分析，探索三个因素中四大经济部门对总体温室气体排放强度的贡献。得到如下结论：

1996—2014年京津冀地区温室气体排放强度主要呈现下降趋势，累计下降23.05%。其中，能源强度是温室气体排放强度下降的主导因素，产业结构和排放因子对温室气体排放强度的增加起到促进作用，其中排放因子的促进作用更为明显。

产业结构对温室气体排放强度影响值的变化主要依托于主要经济部门行业增加值占比的变化。产业结构影响效应在1996—2014年期间对温室气体排放强度增加的影响值为23.53%，对产业结构的分析说明京津冀地区能耗较高行业的行业增加值占比仍然过高，例如工业和交通运输业。因此进一步促进商业与服务业等低耗能产业的发展，对于未来京津冀地区温室气体排放强度的降低至关重要。endprint

能源强度在1996—2014年对温室气体排放强度的累计影响效应为-61.18%，表明能源强度的降低是温室气体排放强度降低的关键。因此，国家应从提高能源效率入手，相关政策可以依据各行业生产特点，引入具有针对性的节能标准，将节能指标完成情况纳入经济社会发展综合评价和年度考核体系，通过提高各行业的能源效率降低碳排放。

碳排放因子在1996—2014年间对温室气体排放强度增加的贡献最为明显（60.47%）。考虑到排放因子这一因素，中国政府应当更进一步地推进能源结构的优化和改善，实行控煤政策，争取在保证企业盈利的情况下实现煤炭消费量的负增长，推广煤炭清洁利用，并降低高排放能源的消费比例，提倡使用低排放能源和可再生能源如风能、太阳能、核能和生物质能等。

参考文献（References）

[1]IEA. CO2 emissions from fuel combustion highlights[R]. Paris： International Energy Agency，2012.

[2]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. [ZHAO Zhiyun， YANG Chaofeng. The decomposition analysis on the driving factors of Chinas carbon emission[J]. China soft science， 2012 （6）： 175-183.]

[3]XU-X， ZHAO T， LIU N， et al. Changes of energyrelated GHG emissions in China： an empirical analysis from sectoral perspective [J]. Applied energy， 2014， 132（11）：298-307.

[4]郭朝先.中国碳排放因素分解：基于 LMDI 分解技术[J]. 中国人口·资源与环境， 2011， 20（12）： 4-9.[GUO Chaoxian. Decomposition of Chinas carbon emissions： based on LMDI method[J]. China population， resources and environment， 2011， 20（12）： 4-9.]

[5]LIU-N， MA Z， KANG J. Changes in carbon intensity in Chinas industrial sector： decomposition and attribution analysis[J]. Energy policy， 2015， 87： 28-38.

[6]國涓， 刘长信， 孙平. 中国工业部门的碳排放：影响因素及减排潜力[J]. 资源科学， 2011， 33（9）：132-140. [GUO Juan， LIU Changxin， SUN Ping. Carbon emissions of industrial sectors in China： influencing factors and emission reduction potential[J]. Resources science， 2011， 33（9）： 132-140.]

[7]董军， 张旭. 中国工业部门能耗碳排放分解与低碳策略研究[J]. 资源科学， 2010， 32（10）：1856-1862. [DONG Jun， ZHANG Xu. Decomposition of carbon emissions and low carbon strategies for industrial sector energy consumption in China[J]. Resources science， 2010， 32（10）： 1856-1862.]

[8]REN-S， FU X， CHEN X. Regional variation of energyrelated industrial CO2 emissions mitigation in China[J]. China economic review， 2012， 23（4）： 1134-1145.

[9]王喜平， 孟明， 刘剑， 等. 碳排放约束下京津冀都市圈全要素能源效率研究[J]. 工业技术经济， 2013（1）：11-19. [WANG Xiping， MENG Ming， LIU Jian， et al. Study on total factor energy efficiency of BeijingTianjinHebei metropolitan region under the constraint of carbon emission[J]. Industrial technology & economy， 2013（1）： 11-19.]

[10]WANG-Z， YANG L. Delinking indicators on regional industry development and carbon emissions： BeijingTianjinHebei economic band case[J]. Ecological indicators， 2015， 48： 41-48.

[11]YANG-Y， ZHAO T， WANG Y， et al. Research on impacts of populationrelated factors on carbon emissions in Beijing from 1984 to 2012[J]. Environmental impact assessment review， 2015， 55： 45-53.endprint

[12]CHOI-K H， ANG B W. Attribution of changes in Divisia real energy intensity index ：an extension to index decomposition analysis[J]. Energy economics， 2012， 34（1）： 171-176.

[13]YANG-M， PATIOECHEVERRI D， YANG F， et al. Industrial energy efficiency in China： achievements， challenges and opportunities[J]. Energy strategy reviews， 2015， （6）： 20-29.

[14]IPCC. IPCC fourth assessment report[R]. 2007-02-10. http：//www.ipcc.ch/publications_and_data /publications_and_data_reports.htm.

[15]ANG-B W， CHOI K H. Boundary problem in carbon emission decomposition[J]. Energy policy， 2002， 30（13）： 1201-1205.

[16]MA-C. A multifuel， multisector and multiregion approach to index decomposition： an application to Chinas energy consumption 1995-2010[J]. Energy economics， 2014， 42： 9-16.

[17]ANG-B W. Decomposition analysis for policymaking in energy： which is the preferred method？[J]. Energy policy， 2004， 32（9）： 1131-1139.

[18]ANG-B W， CHOI K H. Decomposition of aggregate energy and gas emission intensities for industry： a refined Divisia index method[J]. Energy， 1997， 18 （3）： 59-73.

[19]國家统计局. 中国能源统计年鉴（1997—2015）[M]. 北京：中国统计出版社， 1997-2015. [China Statistical Bureau. China energy statistical yearbook （1997-2015） [M]. Beijing： China Statistics Press， 1997-2015.]

[20]国家统计局. 中国统计年鉴（1997—2008）[M]. 北京：中国统计出版社， 1997-2015. [China Statistical Bureau. China statistical yearbook （1997-2008） [M]. Beijing： China Statistics Press， 1997-2015.]

[21]国家统计局.中国工业经济统计年鉴（2009-2015）[M]. 北京：中国统计出版社， 2009-2013. [China Statistical Bureau. China industrial economic statistical yearbook （2009-2015） [M]. Beijing： China Statistics Press. 2009-2015.]

[22]ZHAO-X， MA C， HONG D. Why did Chinas energy intensity increase during 1998-2006： decomposition and policy analysis[J]. Energy policy， 2010， 38（3）： 1379-1388.endprint