中国典型区域含电力消费的碳排放驱动因素分解*

刘 婷 白宏涛 徐 鹤

(南开大学环境科学与工程学院，天津 300350)

中国典型区域含电力消费的碳排放驱动因素分解*

刘 婷 白宏涛 徐 鹤#

(南开大学环境科学与工程学院，天津 300350)

碳排放驱动因素分解是实现碳减排路径的重要工具,目前碳排放驱动因素分解研究主要针对直接碳排放，忽略了区域间碳转移问题，尤其是电力消费引起的碳排放转移。为保障区域碳排放责任公平，促进各区域均衡发展，构建了一种面向区域公平发展的混合碳排放估算方法，并以北京市、广东省、山西省、河南省为典型案例，分别测算了4区域1995—2013年包含电力消费的碳排放。在此基础上，运用对数平均分解指数(LMDI)模型分析了经济发展水平、人口规模、能源效率、能源结构及电力结构对各省市碳排放的贡献。结果表明，经济发展水平与能源效率分别是各区域碳排放增长的最大拉动因素及最大抑制因素，其余因素影响并不明显，且区域不同因素的影响存在一定差异。

碳排放 对数平均分解指数模型 驱动因素 电力消费

我国在巴黎气候峰会上做出二氧化碳减排承诺，此举对于减缓全球气候变化具有重要意义，同时也意味着中国在未来一段时间将面临巨大的碳减排压力。碳排放驱动因素分解是寻求碳减排途径的重要工具，其中对数平均分解指数(LMDI)模型是进行碳排放驱动因素分解的重要方法。目前，许多研究学者运用LMDI模型针对不同地域范围及不同行业[1-15]的直接碳排放进行了驱动因素分解的相关研究，分析了经济发展、产业结构、能源结构、能源效率等影响因素对碳排放的影响。研究发现，经济发展对碳排放具有明显的拉动作用，而能源效率对抑制碳排放增长的贡献最大，其余影响因素因地域及行业的不同存在一定差异。以上研究均深入剖析了碳排放驱动因素，为制定全国及区域层面碳减排政策奠定了坚实的理论基础，但这些研究在核算区域碳排放时均只核算了区域的直接碳排放，未能科学考虑区域间的碳转移问题，用以核定区域碳减排责任有失偏颇。此外，受我国投入产出表更新时长的限制，所得数据难以支撑1995—2013年每年区域间的碳转移量核算。考虑到我国电力生产与消费的空间差异性、电力消费在全国及各区域的占比增加以及区域电力消耗数据的易得性，本研究采用了一种面向区域公平发展的混合碳排放(均以二氧化碳的排放量计)估算方法，对区域包含电力消费的碳排放进行了测算，将碳排放测算分为电力消费碳排放及非电力生产的直接碳排放分别核算。为进一步探究各驱动因素对区域碳排放的贡献，运用LMDI模型对区域碳排放进行了深层次的驱动因素分解，并将电力结构纳入影响因素范围。

1 模型构建及数据来源

1.1 模型构建

(1) 区域碳排放测算模型构建

现有的区域碳排放核算多采用政府间气候变化专门委员会(IPCC)推荐的核算方法。此种碳排放核算方法对区域碳排放核算有一定的适用性，但未能科学考虑电力消费引起的间接碳排放，将电力碳排放完全归咎于生产者，这对于电力调出地区(如山西省等)并不公平。近年来随着能源结构的调整，电力在能源消费中的占比越来越大，电力消费碳排放的占比也逐渐增大，电力消费产生的碳排放不容忽视。

基于保障区域碳排放责任公平的原则，根据IPCC碳排放核算方法，参考BAI等[16]的相关研究，提出了一种面向区域公平发展的混合碳排放估算方法，将碳排放量分为本地非电力生产的直接碳排放量及电力消费间接碳排放量，即：

(1)

式中：C为区域碳排放量，t；Ed为区域电力终端消费量与电力损失量之和，kW·h；rd为全国电力消费平均等效碳排放系数，即消耗单位电力排放的二氧化碳的量，t/(kW·h)；Ei为区域第i种化石能源的非电力消耗量，t；fi为第i种化石能源的标准煤折算系数；ηi为第i种化石能源的燃烧氧化率，%；α为标准煤能源转化系数，TJ/t；EFi为第i种化石能源消耗的碳排放系数，即消耗单位热量的第i种化石能源排放的二氧化碳量，t/TJ。

式(1)中，Ei包括终端消费量、供热能耗与损失量之和，γd为全国火电生产的碳排放量与全国发电量的比值。我国电力生产主要由火电、风电、水电及核电组成，除火电消耗化石燃料为高碳排放过程外，其余发电方式均依靠清洁能源。虽然在清洁能源发电过程中设备运行也需消耗燃料产生二氧化碳，但此部分碳在能源终端消费过程中已进行核算，为避免重复计算，本研究假定风电、水电及核电发电过程为零碳排放过程。因此，电力生产碳排放可近似等同于火电发电的碳排放，在计算全国电力生产碳排放时，计算全国火电电力消费碳排放即可。

受资源禀赋及其他原因的限制，我国区域电力生产与消费的地理空间分布具有较大差异；我国各区域电力生产结构也存在一定差异，南方水电比例远高于北方地区；此外，我国电力消费并未实行统一调配，区域间存在大规模的电力调配。基于以上原因，在现有技术水平及统计体系之下，难以核算各区域电力消费碳排放。因此，本研究假定全国电力实行统一调配，各区域电力碳排放系数均采用全国平均水平。

(2) 区域碳排放测算模型不确定性分析

构建的测算模型不确定性主要来源于两个假设：一是假定风电、水电及核电发电过程为零碳排放过程，将电力生产的碳排放近似等同于火电发电的碳排放，使区域碳排放核算结果较实际结果整体偏小；二是假设全国电力实行统一调配，各区域电力碳排放系数均采用全国平均水平，未能充分考虑不同区域间碳排放系数的差异性。

(3) 驱动因素分解模型构建

目前，在碳排放领域主要的影响因素分解方法有指数分解分析(IDA)方法以及结构分解分析(SDA)方法。IDA方法中的LMDI模型由于具有无残差，适用范围广等特点，被广泛应用于碳排放驱动因素分解的相关研究中[17]，本研究根据LMDI模型[18-19]构建了我国区域碳排放因素分解模型。

根据所选取的数据及相关衡量指标，可将碳排放进行如下分解：

(2)

式中：Cj为第j种能源燃烧产生的碳排放量，t；Ej为第j种能源的消费量，t；E为能源消费总量，t；GDP为国内生产总值，亿元；P为人口数量，亿人，表征人口规模；Fj为消耗单位第j种能源排放的二氧化碳量，t/t，即第j种能源的碳排放系数；Sj为第j种能源占能源总量的比例，%，表征能源结构；I为单位国内生产总值能源消费量，元/t，表征能源效率；R为人均国内生产总值，元/人，表征经济发展水平。

根据LMDI模型分解方法，以1995年为基准年，对1996—2013年的碳排放累积贡献值分解，可以分解为能源排放强度因素、能源结构因素、能源效率因素、经济发展水平因素和人口规模因素，其中在能源排放强度因素中，鉴于除电力碳排放系数外，其他化石能源不同年份碳排放系数变化小至可忽略不计，对碳排放累积影响贡献几乎为零，本研究在进行碳排放影响因素分解时，仅考虑电力碳排放系数的影响，因此能源排放强度因素也可看作电力结构因素。

对1995—2013年rd行计算，结果如图1所示。可以看出，随着电力低碳技术的推行以及其能源结构的改善，rd明显呈下降趋势。

图1 1995—2013年rd变化趋势Fig.1 The change trend of coefficient of rd from 1995 to 2013

1.2 数据来源及说明

收集1995—2013年北京市、广东省、山西省、河南省4区域的碳排放核算相关数据，其中各类能源消耗量及电力消费量均来自历年中国能源统计年鉴；各类化石能源标准煤折算系数采用中国统计年鉴推荐数值；各类化石能源碳排放系数采用IPCC的推荐数值，电力结构与当年全国电力结构一致，为当年全国电力碳排放量与电力消费量比值。参考文献[16]，标准煤能源转化系数为293.076 TJ/万t，各类化石能源燃烧过程的有效氧化率取0.982；各省人口数据、国民生产总值数据及能源消费量数据均来自历年“中国统计年鉴”。

2 研究结果及分析

2.1 北京市碳排放影响因素分解

1996—2013年，北京市碳排放影响因素累积贡献值见表1。

由表1可见，北京市含电力消费的碳排放增量在1996—2000年较小，增长十分缓慢，自2000年后变大，但增长仍较为缓慢。经济发展水平是北京市碳排放增长最主要的拉动因素，其次是人口规模。北京市作为我国首都，凭借其经济、交通、资源等多方面优势，对人口具有较强吸引力，在研究时段内，人口数量不断增加，人口规模的增大主要通过影响能耗、土地利用类型变化等多种途径影响区域碳排放。能源效率是抑制碳排放增长的主要影响因素，其对碳排放增长的抑制作用略小于经济发展水平对碳排放增长的拉动作用。除此之外，电力结构对碳排放增长的贡献也为基本负值，但其影响较小，效果并不明显。随着能源结构的调整，北京市能源结构对碳排放增长的抑制作用大体上逐渐变小，2010年起由抑制作用转变为拉动作用，主要原因在于本研究将电力消耗考虑在内，而我国电力主要以燃煤火电为主，因此虽然北京市一次能源结构中煤炭占比逐渐降低，但能源结构改变对北京市碳排放的抑制作用却逐渐减弱。

表1 1996—2013年北京市碳排放影响因素累积贡献值

表2 1996—2013年广东省碳排放影响因素累积贡献值

2.2 广东省碳排放影响因素分解

1996—2013年，广东省碳排放影响因素累积贡献值见表2。

由表2可见，从1996—2013年，广东省含电力消费的碳排放增量呈快速增长趋势。就其影响因素分解结果来看，经济发展水平是最主要的影响因素，其贡献率总体在130%以上。其次是能源效率，能源效率是抑制碳排放增长最重要的影响因素，但能源效率的抑制作用始终弱于经济发展水平的拉动作用。与北京类似，人口规模对广东省间接碳排放增长也具有较为明显的拉动作用。能源结构与电力结构分别为拉动作用与抑制作用，但影响均相对微弱。

2.3 山西省碳排放影响因素分解

1996—2013年，山西省碳排放影响因素累积贡献值见表3。

表3 1996—2013年山西省碳排放影响因素累积贡献值

表4 1996—2013年河南省碳排放影响因素累积贡献值

由表3可见，山西省含电力消费的碳排放增量在2000年前变化较小，2000年后呈明显增长趋势。就影响因素分解结果看，经济发展水平与能源效率为最主要的影响因素，2000年之前能源效率的抑制作用与经济发展水平的拉动作用基本持平，间或有碳排放负增长出现，2000年后，随经济的快速发展，能源效率的抑制作用明显落后于经济发展水平的拉动作用。此外，人口规模对山西省间接碳排放增长也具有拉动作用，电力结构为抑制作用，但影响均较微弱。能源结构的影响尚不明确，但总体而言，主要是对碳排放增长起拉动作用。

2.4 河南省碳排放影响因素分解

1996—2013年，河南省碳排放影响因素累积贡献值见表4。

从时间序列来看，河南省含电力消费的碳排放增量在2000年之前变化较小，2000年后开始缓慢增长，自2003年之后呈明显增长趋势。就其影响因素分解结果来看，经济发展水平是其最主要的影响因素，河南省碳排放增长主要依赖于经济发展水平的拉动作用。其次，对其影响较大的是能源效率的抑制作用，但基本小于经济发展水平的拉动作用。此外，人口规模与能源结构对河南省碳排放增长具有拉动作用，而电力结构为抑制作用，但影响均较为微弱。

总体看来，经济发展水平是各地区碳排放增长的主要拉动因素，而能源效率是各区域碳排放增长的主要抑制因素。人口规模对区域碳排放的影响，存在较大差异，北京市及广东省由于人口规模变化较快，人口对碳排放贡献较大，山西省及河南省，人口变化较小，人口规模对区域碳排放贡献较小。电力结构对各区域碳排放增长均表现为抑制作用，这是我国电力行业不断推进低碳环保发展的效益，这表明，国家对电力行业的宏观调控政策及能源环境政策对促进低碳发展起到了一定的作用。此外，受我国“富煤、贫油、少气”资源禀赋的影响，能源结构的改善对各区域碳减排贡献并不大。

3 结论与建议

经济发展水平是拉动各区域碳排放增长的最主要的原因；能源效率是抑制各区域碳排放增长的主要原因，除北京市外，其余3个区域能源效率的抑制作用明显弱于经济增长的拉动作用；人口规模对北京市及广东省碳排放增长的影响较大，对河南省及山西省碳排放增长贡献较小；电力结构对4区域碳排放增长均为抑制作用，虽然其影响较小，但随低碳技术及宏观调控的推进，其抑制作用呈增强趋势；能源结构的变化对4区域碳排放增长为拉动作用，但其影响十分小。虽然一次能源占比不断往清洁化方向发展，但电力消费占比逐步增大，而我国电力目前仍以煤电为主，所以我国能源结构整体上仍以煤炭为主。

考虑到未来一段时间各区域经济仍会保持高速增长，通过经济调控来减少碳排放增长并不现实。未来一段时间仍需通过产业内部工艺创新升级，以及推行环保措施，提高能源利用水平等方式来提高能源效率，以进一步增强能源效率对碳排放增长的抑制作用。目前，由于我国电力行业污染物控制及煤炭利用已达到较高水平，我国正在积极推行煤改电，将直接燃煤转化为清洁能源电力。这一举措虽然有利于控制污染物排放，提高能源利用率，但对碳减排贡献甚微，因而提高能源结构中电力的比例，难以对区域碳减排有实质性贡献，但是从长远来看，推广风能、太阳能等清洁能源，提高清洁能源占比以优化能源结构实现节能低碳是切实可行的。此外，可以积极研发推广煤炭清洁低碳发电技术，减少电力碳排放。北京市及广东省可通过适度调控人口规模来减少人口规模对其碳排放增长的贡献。

[1] 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.

[2] 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,2010,20(12):4-9.

[3] 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.

[4] 朱勤,彭希哲,陆志明,等.中国能源消费碳排放变化的因素分解及实证分析[J].资源科学,2009,31(12):2072-2079.

[5] 蒋金荷.中国碳排放量测算及影响因素分析[J].资源科学,2011,33(4):597-604.

[6] 汪宏韬.基于LMDI的上海市能源消费碳排放实证分析[J].中国人口·资源与环境,2010，20(增刊2):143-146.

[7] 田云,李波,张俊飚.武汉市碳排放的测算及影响因素分解研究[J].地域研究与开发,2011,30(5):88-92.

[8] 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.

[9] 宋杰鲲.基于LMDI的山东省能源消费碳排放因素分解[J].资源科学,2012,34(1):35-41.

[10] 李国志,李宗植.中国二氧化碳排放的区域差异和影响因素研究[J].中国人口·资源与环境,2010,20(5):22-27.

[11] 史安娜,李淼.基于LMDI的南京市工业经济能源消费碳排放实证分析[J].资源科学,2011,33(10):1890-1896.

[12] 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.

[13] 喻洁,达亚彬,欧阳斌.基于LMDI分解方法的中国交通运输行业碳排放变化分析[J].中国公路学报,2015,28(10):112-119.

[14] 侯建朝,谭忠富.电力生产CO2排放变化影响因素分解[J].中国电力,2011,44(11):39-42.

[15] 付坤,齐绍洲.中国省级电力碳排放责任核算方法及应用[J].中国人口·资源与环境,2014,24(4):27-34.

[16] BAI H T,ZHANG Y X,WANG H Z,et al.A hybrid method for provincial scale energy-related carbon emission allocation in China[J].Environmental Science & Technology,2014,48(5):2541-2550.

[17] 宋德勇,卢忠宝.中国碳排放影响因素分解及其周期性波动研究[J].中国人口·资源与环境,2009,19(3):18-24.

[18] ANG B W.The LMDI approach to decomposition analysis: a practical guide[J].Energy Policy,2005,33(7):867-871.

[19] ANG B W.LMDI decomposition approach: a guide for implementation[J].Energy Policy,2015,86:233-238.

StudyingondrivingfactorsofcarbonemissioncontainingpowerconsumptionintypicalprovincesofChina

LIUTing,BAIHongtao,XUHe.

(CollegeofEnvironmentalScienceandEngineering，NankaiUniversity，Tianjin300350)

Decomposition approaches for driving factors of carbon emissions were key tools to seek path of carbon reduction. At present,most of studies had focused on the direct carbon emissions,ignoring interregional transfer of carbon,especially carbon emissions caused by the transfer of power. To ensure regional carbon emissions responsibility fair and promote the balanced development of each region,this paper constructed an improved carbon emissions measurement model based on fair development of regions. With this model,this paper measured and calculated the carbon emissions contained power consumption of four typical provinces (Beijing,Guangdong,Shanxi and Henan) from 1995 to 2013. Then this paper analyzed the contribution of factors like economy development,population scale,energy efficiency,energy structure and power structure to carbon emissions using logarithmic mean divisia index (LMDI) model. Results of this study showed that economy development was the biggest pull factor to the regional carbon emissions growth,and energy efficiency was the biggest inhibitor. The remaining factors were not obvious，and the influence of each factors varied in different regions.

carbon emission; LMDI model; driving factors; power consumption

刘 婷，女，1992年生，硕士，助理工程师，研究方向为环境管理与经济。#

。

*国家自然科学基金资助项目(No.41301648)；天津市应用基础与前沿技术研究计划项目(No.13JCQNJC08300)。

10.15985/j.cnki.1001-3865.2017.11.024

2017-05-20)