京津冀及周边地区工业大气污染排放因素分解——基于LMDI模型分析

文 扬,马 中,吴语晗,周 楷,石 磊,王 萌



京津冀及周边地区工业大气污染排放因素分解——基于LMDI模型分析

文 扬,马 中,吴语晗,周 楷,石 磊*,王 萌

(中国人民大学环境学院,北京 100872)

运用对数平均迪氏指数分解法探究了2011~2015年京津冀及周边地区工业大气污染物排放的主要影响因素.将该地区排放量变化的总效应分解为人口效应、经济规模效应、产业结构效应、能耗效应、能源结构效应和排放强度效应.研究结果表明,人口效应和经济规模效应基本为正效应,产业结构效应、能耗效应和排放强度效应基本为负效应.京津冀及其周边地区能源结构在2011~2015年期间变化不显著,因此能源结构效应对总效应的贡献很小,贡献度均未超过0.52%.北京市、天津市、河北省、河南省、山东省和山西省的情况不同,各效应贡献度的变化趋势也不相同.人口效应、经济规模效应、产业结构效应、能耗效应和排放强度效应的变化,主要来自于人口增速、经济规模增速、工业增加值比重降幅、能耗强度降幅和排放强度降幅的变化.在制定减排政策时,应根据各效应的累计贡献值和贡献度大小,对于该地区共存的主要影响因素,制定联合减排政策措施.对于存在地区差异的主要影响因素,因地制宜制定不同的减排政策措施.

LMDI因素分解；京津冀及周边地区；工业产业；大气污染物排放

京津冀及周边地区是我国大气污染控制重点区域之一[1].为改善京津冀及周边地区大气环境质量,2017年3月,环境保护部等部门和京津冀及周边地区六省市人民政府联合印发《京津冀及周边地区2017年大气污染防治工作方案》,明确了对该地区能源消费和工业生产进行调控.因此,有必要研究影响京津冀及周边地区工业大气污染物排放的主要因素及其趋势特征.

长期以来,国内外学者主要从经济学角度对大气污染物排放相关影响因素进行了研究.Grossman等[2-4]通过分析经验数据提出了环境库兹涅茨曲线(Environmental Kuznets Curve,EKC),认为经济增长对污染物排放的影响呈“倒U型”.Lin等[5]运用STIRPAT模型分析了人口、城市化水平、人均GDP、工业化水平和能源强度对大气污染物排放的影响.周侃等[6]通过解析污染物排放和社会经济截面数据,得到了人口规模、城镇化水平和经济增长速度是污染物排放主要驱动因素的结论.王晓硕等[7]通过构建计量模型,研究了空间聚集对工业污染排放强度的影响.蒋姝睿等[8]运用灰色关联度,分析了不同类型工业行业对污染物排放的影响.一些学者还采用了投入产出分析法[9]、灰色系统模型评价[10]、一般均衡模型评价[11]和协调发展度评价[12]等模型方法,研究了工业化水平、产业结构对污染物排放的影响.近年来也有学者采用对数平均迪氏指数分解法(LMDI),从经济增长、能源消费、产业结构和技术进步四个方面解释污染物排放变化的原因[13-14].

LMDI方法是由Ang[15]改进的迪氏指数分解法,主要应用于碳排放影响因素的研究[16-20].该方法能够通过对指标的分解,找出影响指标的各种因素,并分析各影响因素对指标的影响强度,从而找出指标变化的原因[21].因此,越来越多的学者将LMDI方法引入环境污染影响因素的研究中[22-23].目前,大多数研究运用LMDI方法将污染物排放变化的因素分解为经济规模增长、产业结构和技术进步三个方面,这些研究的结论也较为一致.经济规模增长方面,污染物排放会随着工业生产规模的扩张和经济的发展而增加.产业结构方面,高污染部门在工业部门结构的增长对污染物排放增长呈正向拉动,产业结构优化调整对污染物排放增长呈负向拉动.技术进步方面,产污系数的降低对污染物排放增长呈负贡献,生产技术进步和能源利用率提升是污染物减排的主要因素[24-27].另外,Liu等[28]基于LMDI方法研究了1995~2010年中国SO2排放量下降的影响因素,结果表明污染治理对SO2减排的影响程度越来越高,清洁生产的贡献度则不稳定,在大多数年份对SO2减排产生正贡献,经济空间结构和国际贸易分别对SO2减排产生了正贡献和负贡献.

已有研究中,使用LMDI方法分解的影响因素尚不够全面,考虑人口增长对污染物排放影响的较少,对技术进步的影响研究也都单一地分析生产技术或减排技术,并未将两者同时进行分解.且研究对象多为某一种或某几种特殊污染物.另外,研究区域大多为单一地区层面或全国省级层面,类似于京津冀及周边地区这类省际地区研究较少.基于此,本文将SO2、NO和烟粉尘的排放总和作为大气复合污染的排放,采用LMDI分解法分析了2011~2015年间人口规模、经济规模、产业结构、能源消耗强度、能源结构和能源排放强度对京津冀及周边地区工业大气污染物排放的影响,以期为京津冀及其周边大气污染控制提供决策依据.

1 研究方法与数据来源

1.1 基于LMDI的分解模型

本文采用LMDI模型分析各影响因素对工业大气污染排放量变化的贡献程度,首先构建污染物排放Kaya恒等式:

式中:为工业大气污染物排放量;C为工业产业消耗种能源的大气污染物排放量;表示地区人口总数,定义为人口效应;GDP为地区生产总值;GDPin为地区工业增加值;为地区工业能源消耗总量;E为地区工业种能源消耗量.

将式(1)进一步简化后可得到:

式中:表示人均GDP,定义为经济规模效应;表示工业增加值占总产值比重,定义为产业结构效应;表示单位工业增加值能源消耗量,表征能源消耗强度,定义为能耗效应;N表示工业种能源消耗量占工业能源消耗总量比重,定义为能源结构效应;S表示工业种能源单位消耗的大气污染物排放量,定义为排放强度效应.

根据式(2),工业生产消耗种能源的大气污染物排放量从-1年至年的变化趋势表示为:

对式(3)两端取自然对数,乘以=(C-C-1)/ (lnC-lnC-1)后求和.在C=C-1时,=0.因此,式(3)可转换为:

式中:DC-1为工业大气污染物排放量的变化;DC-1为人口效应值;DC-1为经济规模效应值;DC-1为产业结构效应值;DC-1为能耗效应值;DC-1为能源结构效应值;DC-1为排放强度效应值.DC-1、DC-1、DC-1、DC-1、DC-1和DC-1分别表征了人口数、人均GDP、产业结构、能耗强度、能源结构和排放强度的变化对工业大气污染物排放量变化的贡献量.

将式(4)分解后,可得到各效应值的计算公式:

1.2 数据来源与处理

以京津冀及周边地区工业大气污染物排放作为研究对象,该地区包括北京市、天津市、河北省、河南省、山东省和山西省.工业生产消耗的能源种类分为煤合计、焦炭、油品合计、天然气、热力和电力六大类,数据来源于2012~2016年《中国能源统计年鉴》[29].根据《综合能耗计算通则(GBT 2589~ 2008)》将六大类能源消耗量折算成标准煤.本文以原煤折标煤系数作为煤合计的折标煤系数,以主要油品的平均折标煤系数作为油品合计的折标煤系数,六大类能源折标煤系数如表1所示.

工业大气污染物排放数据来自2012~2016年《中国环境统计年鉴》[30],研究中将工业SO2、工业NO和工业烟粉尘排放量加总后作为工业大气污染物排放总量进行计算.地区人口总数、地区生产总值和地区工业增加值来源于2012~2016年《中国统计年鉴》[31],各地区生产总值和工业增加值均以2011年的不变价格进行换算.2011~2015年京津冀及周边地区各指标描述性统计见表2.

表1 各类型能源的折标煤系数

Table 1 Standard coal coefficient of all kinds of energy

表2 2011~2015年京津冀及周边地区各指标描述性统计

Table 2 Descriptive statistics of indicators in Beijing- Tianjin-Hebei region and surrounding areas from 2011 to 2015

2 结果与分析

2.1 各地区贡献度逐年分析

根据式(5)~(10),测算出2011~2015年京津冀及周边地区工业大气污染物排放的人口效应、经济规模效应、产业结构效应、能耗效应、能源结构效应和排放强度效应的贡献度.

2.1.1 人口效应和经济规模效应 2011~2015年,北京市人口增速和经济增速逐渐放缓,又根据边际效益递减原则,边际人口和经济的增长对污染物排放的影响不断减小,导致北京市人口效应和经济规模效应的贡献度逐年下降.天津市人口增速与经济增速也逐渐放缓,人口效应和经济规模效应的贡献度也呈下降趋势.2013~2014年天津市工业大气污染物排放的变化幅度很小,且排放量增加,造成了2013~ 2014天津市人口效应与经济规模效应的贡献度陡然增高,且对总效应呈正贡献.

河南省、山东省和山西省的人口增速一直非常低,3个省人口效应的贡献度也维持在较低水平.河北省的人口增速也一直非常低,但是2012~2014年河北省工业大气污染物排放的变化幅度较往年非常小,2013~2014年排放量增加,因此2012~2014年河北省人口效应的贡献度较高,且2013~2014年对总效应呈正贡献.与北京市和天津市一样,其他4个省的经济增速逐渐放缓,山东省和山西省经济规模效应的贡献度逐年下降.河北省经济规模效应的贡献度总体呈下降趋势,但2012~2014年总效应的变化导致了经济规模效应出现了与人口效应相同的突变趋势.河南省经济规模效应的贡献度总体也呈下降趋势,但2012~2014年河南省工业大气污染物排放的变化较往年非常小,致使2012~2014年河南省经济规模效应的贡献度陡增.2011~2015年京津冀及周边地区人口效应和经济规模效应贡献度见表3.

表3 2011~2015年京津冀及周边地区人口效应和经济规模效应贡献度(%)

Table 3 Contribution made by population effect and economic scale effect in Beijing-Tianjin-Hebei region and surrounding areas from 2011 to 2015 (%)

2.1.2 产业结构效应、能耗效应和排放强度效应2011~2015年,北京市产业结构效应和能耗效应的贡献度逐年下降,工业增加值比重和能耗强度已分别降至17.57%和0.37t标准煤/万元.说明北京市通过产业结构调整,淘汰了高污染行业;通过激励生产技术的进步,提高了能源利用效率.北京市继续降低工业比重或能耗,对污染物减排的影响都已不显著.

天津市、河北省和山东省产业结构效应的贡献度一直较低,2013~2014年天津市和2012~2014年河北省总效应的变化导致产业结构效应出现了与人口效应相同的突变趋势.3个省市的工业增加值比重稳步下降,表明3个省市的产业结构调整对污染物减排的影响并不显著.河南省产业结构效应的贡献度总体呈上升趋势.2012~2014年河南省的总效应变化导致产业结构效应出现了与经济规模效应相同的陡增趋势.河南省工业增加值比重降幅逐年升高,工业增加值比重快速下降.说明河南省开始逐渐加大产业结构调整力度,对污染物减排的影响日益增大.山西省产业结构效应的贡献度绝对值变化不大,但是呈现的正负贡献却在不断变化,这与其工业增加值比重和总效应的增减变化有关,而山西省工业增加值的变幅维持在6%左右,因此山西省产业结构效应的贡献度绝对值稳定在90%左右.

天津市、河北省、河南省和山东省能耗效应的贡献度总体呈下降趋势,2013~2014年天津市和2012~2014年河北省总效应的变化导致能耗效应出现了与人口效应相同的突变趋势.山西省能耗效应的贡献度变化波动较大,这与其能耗强度的变幅波动较大有关,2012~2015年山西省能耗强度逐年增加,对生产端管控不严导致生产技术出现退步,能耗效应促进了污染物的排放.

北京市排放强度效应的贡献度逐年升高,因为北京市排放强度的降幅逐年升高.天津市、河北省和山西省排放强度效应的贡献度总体呈下降趋势,其中天津市排放强度效应的变化趋势与能耗效应相似.2013~2014年天津市和2012~2014年河北省总效应的变化导致排放强度效应出现了与人口效应相同的突变趋势,2013~2014年河北省排放强度上升且排放量增加,因此对总效应呈正贡献.2011~2014年3个省市的排放强度降幅逐年下降,2014~2015年3个省市的排放强度降幅陡增,但是污染物减排总量相比往年较高,因此排放强度效应的贡献度依旧比往年更低.河南省排放强度效应的贡献度绝对值低于70%,2012~2014年河南省总效应的变化导致排放强度效应出现了与经济规模效应相同的陡增趋势.山东省排放强度效应的贡献度维持在120%左右,2011~2014年河南省和山东省排放强度的变化幅度均稳定在6%左右.2014~2015年两个省的排放强度降幅陡增,但是污染物减排量相比往年较高,因此排放强度效应并未出现陡增趋势.2012~2013年北京市、2013~2014年河北省、2011~2012年河南省、2013~2014年山东省和山西省的环保监管力度减弱,导致排放强度有所升高,减排技术出现退步,排放强度效应促进了污染物的排放.2011~2015年京津冀及周边地区产业结构效应、能耗效应和排放强度效应贡献度见图1.

图1 2011~2015年京津冀及周边地区产业结构效应、能耗效应和排放强度效应贡献度

图2 2011~2015年京津冀及周边地区能源结构效应贡献度

2.1.3 能源结构效应 2011~2015年6个省市能源结构没有显著变化,能源结构调整力度较弱,京津冀及周边地区能源结构效应的贡献度均在0.52%以内.

2011~2015年京津冀及周边地区能源结构效应贡献度见图2.

2.2 各地区累计贡献值分析

考察了2011~2015年京津冀及周边地区工业大气污染物排放的人口效应、经济规模效应、产业结构效应、能耗效应、能源结构效应和排放强度效应的累计贡献值,如图3所示.

从总体情况看,2011~2015年京津冀及周边地区工业大气污染物排放量有所下降,总效应累计值为负.人口效应和经济规模效应的累计贡献值为正,该地区人口与经济规模总体呈增长趋势,因此人口和经济增长对工业大气污染物排放起到了正向效应,对总效应呈负贡献.产业结构效应、能耗效应和排放强度效应的累计贡献值为负,该地区工业增加值比重、能耗强度和排放强度总体呈下降趋势,因此产业结构调整、生产技术和减排技术的进步对工业大气污染物排放起到了负向效应,对总效应呈正贡献.6省市能源结构效应的累计贡献值为负,且均未超过0.2万t,该地区能源结构调整不显著.

2011~2015年,京津冀及周边地区人口效应的累计贡献值均在9万t以内,说明人口增长对工业大气污染物排放的影响较小.北京市各效应累计贡献绝对值均在9万t以内.北京市污染物排放量、工业增加值比重、能耗强度和排放强度远低于其他省市.说明北京市产业结构配置合理、生产技术和减排技术非常先进,污染物减排空间较小.天津市总效应为-20.9万t,污染物减排量较低.经济规模效应、能耗效应和排放强度效应的累计贡献绝对值大于14万t,经济增长、生产技术和减排技术的进步对工业污染物排放的影响较大.4个省经济规模效应和排放强度效应的累计贡献绝对值均在41万t以上,污染物减排量均在44万t以上,经济增长和减排技术进步对4个省的工业大气污染物排放影响较大.河南省、山东省和山西省产业结构效应的累计贡献绝对值在33万t以上,3个省的产业结构调整对工业大气污染物排放影响较大.河北省、河南省和山东省能耗效应的累计贡献绝对值在46万t以上,3个省的生产技术进步对工业大气污染物排放影响较大.

图3 2011~2015年京津冀及周边地区工业大气污染物排放各影响因素累计贡献值

3 讨论

根据2011~2015年京津冀及周边地区工业大气污染物各分解因素效应的贡献度和累计贡献值可知,6个省市工业大气污染物减排的主要影响因素存在共性也存在差异.对共存的主要影响因素可以制定联合减排政策措施,对有差异的主要影响因素可以根据各地区不同情况制定不同的减排政策措施.

2011~2015年6个省市人口效应的累计贡献值均较低,2015年贡献度非常低,人口增长不是影响污染物排放的主要因素.2011~2015年能源结构效应的累计贡献值和贡献度均非常低,6个省市的能源结构调整力度很小,工业生产主要使用高污染排放的能源,对低污染排放的天然气使用较少.能源结构的优化调整应是6个省市关注的重点.

2011~2015年除北京市外,其他5个省市经济规模效应的累计贡献值均较高,但贡献度总体呈逐年下降趋势,至2015年均已降至较低水平,经济增长曾是影响工业大气污染物排放的主要因素,但随着经济增速的下降,且根据边际收益递减原则,影响已不再显著.2011~2015年河南省、山东省和山西省产业结构效应的累计贡献值和贡献度均处于中等水平.3个省的工业比重逐年下降,调整产业结构能降低污染物排放.2011~2015年天津市、河北省、河南省和山东省能耗效应的累计贡献值较高,贡献度却逐年下降.4个省市的能耗强度下降是污染物减排的主要因素,但是能耗强度降幅逐年下降,导致贡献度也逐年下降.4个省市需要重点加强对工业生产端的管控,激励生产技术进步,减少污染物排放.2011~2015年除北京市外,其他5个省市排放强度效应的累计贡献值均较高,2015年排放强度效应的贡献度在中等水平.5个省市的排放强度逐年下降,加强5个省市环保监管力度,促进减排技术进步能降低污染物排放.

4 结论

4.1 根据LMDI分解模型,分析了人口效应、经济规模效应、产业结构效应、能耗效应、能源结构效应和排放强度效应,对京津冀及周边地区工业大气污染物排放的影响.总体而言,总效应的累计值为负,污染物排放减少.人口效应和经济规模效应对排放起正向效应,对总效应呈负贡献.产业结构效应、能耗效应和排放强度效应对排放起负向效应,对总效应呈正贡献.能源结构效应的贡献值和贡献度非常低,对污染物排放影响不显著.

4.2 对2011~2015年京津冀及周边地区各效应的贡献度变化进行研究,结果表明6个省市的情况不同,各效应贡献度的变化趋势也不同.人口效应、经济规模效应、产业结构效应、能耗效应和排放强度效应的变化,主要来自于人口、经济规模、工业增加值比重、能耗强度和排放强度变化的幅度.

4.3 对2011~2015年京津冀及周边地区各效应的累计贡献值进行分析,结果表明6个省市人口效应的累计贡献值均较低,北京市各效应累计贡献值均较低.天津市经济规模效应、能耗效应和排放强度效应的累计贡献值较高.4个省的经济规模效应和排放强度效应的累计贡献值较高.河南省、山东省和山西省产业结构效应的累计贡献值较高.河北省、河南省和山东省能耗效应的累计贡献值较高.

4.4 京津冀及周边地区工业大气污染物排放的主要影响因素存在共性与差异,对共存的因素可以制定联合减排措施,对有差异的因素可以因地制宜制定不同的减排措施.6个省市均应重点关注能源结构的优化调整.河南省、山东省和山西省的产业结构调整能够降低污染物的排放.天津市、河北省、河南省和山东省需要重点加强对工业生产端的管控,激励生产技术的进步.除北京市外,都需要加强环保监管力度,促进减排技术的进步能够降低污染物的排放.

[1] 王晓琦,郎建垒,程水源,等.京津冀及周边地区PM2.5传输规律研究 [J]. 中国环境科学, 2016,36(11):3211-3217.

[2] Grossman G M, Krueger A B. Economic Growth and the Environment [J]. Nber Working Papers, 1994,110(2):353-377.

[3] Torras M, Boyce J K. Income, inequality, and pollution: a reassessment of the environmental Kuznets Curve [J]. Ecological Economics, 1998,25(2):147-160.

[4] Selden T M, Song D. Environmental Quality and Development: Is There a Kuznets Curve for Air Pollution Emissions? [J]. Journal of Environmental Economics & Management, 1994,27(2):147-162.

[5] Lin S, Zhao D, Marinova D. Analysis of the environmental impact of China based on STIRPAT model [J]. Environmental Impact Assessment Review, 2009,29(6):341-347.

[6] 周 侃,樊 杰.中国环境污染源的区域差异及其社会经济影响因素——基于339个地级行政单元截面数据的实证分析 [J]. 地理学报, 2016,71(11):1911-1925.

[7] 王晓硕,宇超逸.空间集聚对中国工业污染排放强度的影响 [J]. 中国环境科学, 2017,37(4):1562-1570.

[8] 蒋姝睿,王 玥,王 萌,等.区域视角下中国工业行业与工业污染关系 [J]. 中国环境科学, 2017,37(11):4380-4387.

[9] Llop M. Economic structure and pollution intensity within the environmental input–output framework [J]. Energy Policy, 2007,35(6): 3410-3417.

[10] 张晓东,朱德海.中国区域经济与环境协调度预测分析[J]. 资源科学, 2003,25(2):1-6.

[11] Dubey B, Upadhyay R K, Hussain J. Effects of industrialization and pollution on resource biomass: a mathematical model [J]. Ecological Modelling, 2003,167(1/2):83-95.

[12] 关 伟,刘勇凤.辽宁沿海经济带经济与环境协调发展度的时空演变[J]. 地理研究, 2012,31(11):2044-2054.

[13] 刘满芝,杨继贤,马 丁,等.基于LMDI模型的中国主要大气污染物的空间差异及其影响因素分析[J]. 资源科学, 2015,37(2):333-341.

[14] 张同斌,李金凯,程立燕.经济结构、增长方式与环境污染的内在关联研究——基于时变参数向量自回归模型的实证分析[J]. 中国环境科学, 2016,36(7):2230-2240.

[15] Ang B W, Liu N. Energy decomposition analysis: IEA model versus other methods [J]. Energy Policy, 2007,35(3):1426-1432.

[16] 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.

[17] 赵 敏.上海市终端能源消费的CO2排放影响因素定量分析 [J]. 中国环境科学, 2012,32(9):1583-1590.

[18] 贺爱忠,刘 盼.中国流通业CO2排放的因素分解和脱钩分析 [J]. 中国环境科学, 2015,(3):953-960.

[19] 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.

[20] 马晓君,董碧滢,于渊博,等.东北三省能源消费碳排放测度及影响因素 [J]. 中国环境科学, 2018,38(8):3170-3179.

[21] 邓 晓.基于LMDI方法的碳排放的因素分解模型及实证研究——以湖北省为例[D]. 武汉:华中科技大学, 2009.

[22] 庞 军,石媛昌,胡 涛,等.我国出口贸易隐含污染排放变化的结构分解分析[J]. 中国环境科学, 2013,33(12):2274-2285.

[23] 蒯 鹏,束克东,成润禾.我国工业部门环境污染排放变化的驱动因素——基于“十二五”工业排放数据的实证研究 [J]. 中国环境科学, 2018,38(6):2392-2400.

[24] He J. What is the role of openness for China's aggregate industrial SO2emission?: A structural analysis based on the Divisia decomposition method [J]. Ecological Economics, 2010,69(4):868-886.

[25] Fujii H, Managi S, Kaneko S. Decomposition analysis of air pollution abatement in China: empirical study for ten industrial sectors from 1998 to 2009 [J]. Journal of Cleaner Production, 2013,59(18):22-31.

[26] 马 丽.基于LMDI的中国工业污染排放变化影响因素分析[J]. 地理研究, 2016,35(10):1857-1868.

[27] 刁贝娣,曾克峰,苏攀达,等.中国工业氮氧化物排放的时空分布特征及驱动因素分析[J]. 资源科学, 2016,38(9):1768-1779.

[28] Liu Q, Wang Q. Pathways to SO2emissions reduction in China for 1995~2010: Based on decomposition analysis [J]. Environmental Science & Policy, 2013,33(11):405-415.

[29] 国家统计局能源统计司.中国能源统计年鉴2012~2016 [M]. 北京:中国统计出版社, 2016.

[30] 国家统计局,环境保护部.中国环境统计年鉴2012~2016 [M]. 北京:中国统计出版社, 2016.

[31] 中华人民共和国国家统计局.中国统计年鉴2012~2016 [M]. 北京:中国统计出版社, 2016.

Factors decomposition of industrial air pollutant emissions in Beijing-Tianjin-Hebei region and surrounding areas based on LMDI model analysis.

WEN Yang, MA Zhong, WU Yu-han, ZHOU Kai, SHI Lei*, WANG Meng

(School of Environment & Natural Resource, Renmin University of China, Beijing 100872, China)., 2018,38(12)：4730~4736

Based on Logarithmic Mean Divisia Index (LMDI), the main impact factors of industrial air pollutant emissions in Beijing-Tianjin-Hebei region and surrounding areas from 2011 to 2015 were explored. The total effect of emission change in the above regions were decomposed into population effect, economic scale effect, industrial structure effect, energy consumption effect, energy structure effect and emission intensity effect. The results showed that both population effect and economic scale effect were basically positive, while industrial structure effect, energy consumption effect and emission intensity effect were mostly negative. Due to few changes of energy structure in the above regions within the period from 2011 to 2015, energy structure effect made a few contributions to the total effect, lower than 0.52%. As the situation in Beijing, Tianjin, Hebei, Henan, Shandong and Shanxi were differed, each effect contributed differently. The growing population and economic scale, declining proportion of industrial added value, energy consumption intensity and emission intensity impacted population effect, economic scale effect, industrial structure effect, energy consumption effect and emission intensity effect. During the formulation of emission reduction policy, the accumulated contribution value and contribution degree of each effect should be considered. Joint emission reduction policies and measures could be made to address the main impact factors which coexisted in these regions. For other main impact factors which specially mattered to any provinces or cities, policy was advised to suit local conditions.

LMDI factor decomposition；Beijing-Tianjin-Hebei region and surrounding areas；industrial section；air pollutant emissions

X196

A

1000-6923(2018)12-4730-07

文 扬(1990-),男,湖北荆州人,中国人民大学博士研究生,研究方向为环境经济与管理.发表论文11篇.

2018-04-23

国家重点研发计划大气污染成因与控制技术研究(2016YFC0209204);中国人民大学2017年度拔尖创新人才培育资助计划成果

* 责任作者, 副教授, qdshl@126.com