中国电力消费碳排放驱动因素分析

汪颖翔 黄河曲 陈远 董明齐 李斯吾 岳世杰 卢振威

摘 要：作为全球最大的温室气体排放国，中国政府承诺到2030年碳排放量达峰，在2060年实现碳中和。电力行业碳排放在我国整体碳排放总量中占比最大，近十年中国电力消费持续增长，在电力行业中的重要地位不可忽视，对电力消费碳排放驱动因素值得进行深入研究。文章基于LMDI分解模型，结合倾向值分析法和标准差椭圆法，对经济发展因素、人口规模因素、能源强度因素等驱动因素进行分析。结果表明：（1）经济发展因素对电力消费碳排放量的增长起到最主要的推动作用，能源强度因素主要起到抑制作用。（2）在各省的三大产业中，第二产业对电力消费的需求量最大。（3）在研究期间，我国的电力消费碳排放量整体呈上升趋势，在2016年到2017年期间呈下降趋势。本研究针对我国各省过去的11年期间的电力消费，立足于各省的电力行业碳排放的现实情况，帮助政府全面了解电力行业碳排放，为实现低碳电力行业提供政策建议，为我国电力行业实现碳达峰和碳中和提供理论参考。

关键词：电力消费;LMDI;省域差异;重心迁移

为应对迫在眉睫的气候变化问题，我国政府提出“要在2030年前实现碳达峰，2060年前实现碳中和”的重大战略目标[1～2]。我国现有碳排放量的40%都来自电力行业，研究表明，只有电力消费占据终端消费的比重在70%以上，非化石能源提供的电力在电力供应比例提升到90%以上，才能实现2060年碳中和目标[3]。因此，除改善电源结构外[4]，对电力消费碳排放驱动因素的研究有助于深入了解电力行业碳排放的来源和分布，为制订行业减碳目标提供政策支撑[5]。

对于电力消费的研究，前人做了大量工作。Shahbaz等从全球视角研究了世界各国电力消费、油价、经济增长之间的关联，发现电力消费增加与经济增长紧密关联，而与油价上涨关联不强[6]。电力消费主要分为居民电力消费和工业电力消费，而林伯强、刘畅通过对1998—2012年中国三十个省份城镇居民消费的家电产品的面板数据分析，发现居民收入增长、城市化对居民电力消费增长有显著作用[7]。孙祥栋等人对中国工业部门电消费进行分解研究，认为影响电力消费增长的前三名因素分别是工业增长、电气化水平提升和产业结构调整[8]。也有学者针对电力消费模式开展研究，如张昕竹、刘自敏利用DCC模型分析了分时和阶梯电价下居民的用电需求，发现后者增加了用户的价格弹性，促进电力消费的增长[9]。姚昕等发现中国城市规模与电力强度存在“倒U型”关系，而空间聚集与电力强度存在负向关系[10]。上述研究表明，电力消费与经济增长密切相关，且与消费内生结构有关。

随着全球化进程推进和经济持续增长，电力消费持续增加引起的环境退化使得学者开始逐渐关注绿色电力消费模式[11～12]，其中对于电力消费的碳排放研究是一个重要方向。Kirikkaleli等利用渐进因果检验学习发现电力消耗增长对碳排放的增长起重要贡献[13]。王建军等通过随机性环境影响评估性模型，分析了电力消费和碳排放的关系，认为电力消费使用量影响着能源消费结构，进而影响碳排放量[14]。工业电力消费是主要的电力消费端，候建朝等人对中国工业电力消费产生的碳排放做了测算，结果表明，中国工业电力消费隐含二氧化碳排放区域间的差异对总体的差异的贡献率呈下降趋势[15]。由于跨区域电力网络的存在，有学者对电力消费产生的碳排放量存在不同看法，如Zhang Pengfei等人探究了北京电力消费引起的间接碳排放量，认为跨省的电力传输抵消了北京基于供应的电力碳排放量的增长[16]。总体来看，地区生产总值、电力生产结构、劳动力、能源效率之间具有紧密的联系[17～19]。可以看出，虽然有针对电力碳排放不同尺度不同角度的研究，但是缺少从空间结构效应方面探究电力消费碳排放的变迁情况以及时空结构演变状态的相关内容。

对数平均D氏指数分解法（Logarithmic Mean Divisia Index，LMDI）是探究因素随目标变量变化关联度的最经典方法之一，最初由Ang等人提出并完善[20]。从细分行业角度，赵先超等人运用LMDI模型对湖南省农业碳排放影响因素进行了研究，结果表明，农业经济水平和产业结构是湖南省农业碳排放量增加的主要因素[21];文扬等通过LMDI模型，对京津冀及其周边地区的工业大气污染进行了因素分解研究，人口效应和经济规模是影响大气污染的主要原因，同时针对地区差异的因素制定各自的减排措施[22]。而从全行业角度，林伯强等用LMDI和STIRPA模型，发现除了人均收入外，能源强度、产业结构和能源消费结构都对中国二氧化碳排放有显著影响，尤其是能源强度中的工业能源强度[23];鲁万波等针对中国1994年到2008年碳排放量利用LDMI方法进行研究，发现总产值的增长和产业结构的变化促进的碳排放量的增长[24]。整体来看，虽然LMDI的应用较为成熟，但大部分相关研究主要依据特定的划分标准，例如产业类型划分，较少有学者从空间分布角度应用LMDI进行因素分解分析。

在碳排放空间格局的变化上，学者开始逐步探索采用标准差椭圆进行分析。Zhao，Yabo研究了2000—2018年间全球208个国家全球碳强度，发现整体呈现出异质性空间分布，高值集中在亚洲，低值集中在非洲和西欧;空间集聚现象也较为明显，特别是高-高、低-低集聚，整体重心由东北向西南移动[25]。徐丽对1997—2016年的我国全国农业碳排放重心迁移进行了研究，发现存在向西北方向的重心迁移[26]。李建豹等人通过标准差橢圆法对中国省域碳排放进行了研究，认为碳排放的空间密集化程度逐渐增加[27]。但现阶段标准差椭圆分析在电力消费碳排放方面应用较少，存在研究空白。

基于上述文献调研，可以看出关于电力消费碳排放量研究缺乏与时空变量的耦合视角，特别是利用LDMI因素分解模型从空间结构角度进行特征分析，以及利用标准差椭圆模型分析电力消费碳排放量重心迁移状态。此外，现有电力消费碳排放领域文献，主要针对单一的省市或国家整体进行分析[28～30]，针对全国各省市电力消费碳排放结构性分析的研究较为匮乏。文章利用中国30个省级行政区的电力消费、人口、经济以及电力排放因子等数据，首先从倾向值分析法方面初步研究了全国各省级区域电力消费碳排放增长情况;之后采用标准差椭圆模型，对我国电力消费碳排放的时空演变进行了分析;同时利用LMDI模型，从结构分布角度，对我国各个省市电力消费碳排放量的驱动因素进行挖掘，并具体分析了中国电力消费碳排放的变迁。

一、数据来源及研究方法

（一）数据来源

数据主要来源于《中国统计年鉴》《中国能源统计年鉴》《中国电力年鉴》，由于香港、澳门、台湾、西藏的数据未完全获得，故对中国30个省级行政区的相关数据进行统计和处理，时间跨度为2009—2019年。

（二）研究方法

1. 电力碳排放的核算方法

电力碳排放的主要来源是火力发电过程涉及的化石能源燃烧。文章的电力碳排放核算主要采用了联合国政府间气候变化专门委员会（IPCC）2006年编制《国家气体清单指南》中的计算方法，借鉴曹俊文[31]等人的研究，构建电力碳排放的测算公式，如式（1）所示：

其中，i=1，2，3表示燃料消费量，单位为万吨标准煤，CCi表示燃料碳含量系数;COFi表示碳被氧化的比例，通常为1，表示完全氧化。参考2003年国家发展和改革委员会能源研究所采用的碳排放系数取值进行测算。煤炭的碳排放系数为0.7476（万t碳/万tce），石油的碳排放系数为0.5825（万t碳/万tce），天然气的碳排放系数为0.4435（万t碳/万tce）。

2. 倾向值计算

线性倾向估计能对土地利用碳排放的时间趋势进行分析。通过建立电力消费碳排放量与时间的一元线性回归模型，计算2009年到2019年11年间的时间变化斜率，即倾向值（SLOPE），来分析每个省份电力消费产生的二氧化碳排放量排放的线性倾向[32]。线性倾向值用最小二乘法估计，如式（2）所示。

其中，n是总年份数，等于11;Xi是第i年（2009为第一年）;Ci代表第i年对应的能源CO2排放量。当SLOPE>0时，随时间t的增加，碳排放呈上升趋势;当SLOPE<0时，随时间t的增加，碳排放呈下降趋势。SLOPE值大小反映了碳排放上升或下降的速率，即表示上升或下降的倾向程度。

3. 标准差椭圆模型

标准差椭圆是一种空间统计方法，可以准确地揭示经济状态的空间分布情况[33～34]，以表征地理要素的空间分布特征[35～36]。标准差椭圆基本要素是中心点、长半轴、短半轴和方位角，具有中心性、展布性、密集性、方位及形状几个方面的特征，能够描述节点在各个方向上的离散情况，反映节点空间组织的整体轮廓和主要偏移方向。对于标准差椭圆相关公式参考已有研究[37]。

4. LMDI模型构建

LMDI模型是Kaya恒等式的一种拓展，体现了社会经济发展、人口数量等要素对碳排放的影响。结合许多学者的研究成果，文章运用LMDI模型分解了人口规模效应、经济发展效应、能源强度效应、能源结构效应、排放因子效应五个方面。

根据Kaya恒等式的思想，将总的排放量对各个省级区域和行业进行因素分解，如式（3）所示：

其中，C表示总的排放量;Pi表示各省人口数量;Qi表示各省国民生产总值;Ei表示各省电力消费量;Eij表示各省各個产业电力消费量;Cij表示各省各个产业电力消费量。在这里，下标i表示省份，i=1，2，3…，30;下标j表示产业，j=1，2，3。

下面根据上述分解定义五个因素，分别为人口规模效应、经济发展效应、能源强度效应、能源结构效应、排放因子效应五个方面。

人口规模效应主要指各省的人口数量对于总碳排放量的贡献，用CPi表示;经济发展规模效应，主要指各省人均经济产品消费量对总碳排放量的贡献，这里用最为常用的各省人均国民生产总值代替，用CEi表示;能源强度效应，这里主要指各省作为二次能源的电力消费量与国民生产总值的比例的变动，表示各省单位经济产出所消耗的电量的变化贡献，用CCi表示;能源结构效应，这里主要指各省的各个产业电力消费量占该省所有电力消费量的比例，表示产业用能结构变动造成的贡献，用CSij表示;排放因子效应，主要指各个省份各个产业的排放量与对应消耗电量的比例，表示不同省份不同行业的单位用电量排放的碳排放量，用CFij表示。具体定义如式（4）-（7）所示。

对因素影响贡献进行分析的方法众多，其中Ang等学者对对数平均迪氏指数方法进行了改进，提出了LMDI方法，是一种无残差的完备分析方法，而文章主要基于此方法进行分析。根据LMDI方法思想，电力消费碳排放量在这一段时期的变化可以分解为各个因素的贡献之和，即

通过以每年作为一个时间区间，可以获得在该年各因素变化，其中Ci（0）为该年的时间起点的电力消费碳排放量，Ci（t）为该年结束时电力消费碳排放量。上式中括号中0表示时间起点，t表示时间终点，而这里采用2009年作为总时间起点，分析总区间为2009—2019年。

二、结果与分析

（一）各省份电力消费碳排放时间变化趋势

文章利用趋势分析法计算了2009—2019年我国各省的电力消费CO2排放的倾向值，并利用Arcgis的自然间断点法，将各省份电力消费二氧化碳排放量划分为缓慢增长型、较慢增长型、中速增长型、较快增长型、迅猛增长型5种类型。

根据上述划分方法，将本研究中全国30个省级行政区域依据2009—2019年电力消费碳排放的情况划分成5组。其中，处于迅猛增长型的省级区域有3个，包括新疆、河北以及江苏;而较快增长型有5个，包括辽宁、山东、陕西等省;处于中速增长型的省份较多，有黑龙江、内蒙古等10个省份或直辖市;处于较慢增长型和缓慢增长型的省份各有6个，各自主要包括吉林、甘肃、青海、山西等省份或直辖市。

整体来看，从碳排放量增长速度来划分，依据空间地理区域，并没有显著的空间碳排放量波动长期聚集现象，但是上述现象与空间碳排放量存在空间聚集现象并不冲突。山西、内蒙古作为地缘相邻的产煤大省，火力发电原料充足，电力消费碳排放量存量一直较大;而广西、云南，由于历史发展原因和地理位置原因，电力基建不完善，电力消费碳排放量存量也较小，上述都存在一定空间聚集现象。但是，对于空间电力消费碳排放量波动情况，各省的表现聚集现象却并不显著，这一定程度上表明了2009年到2019年这十年间，各省的差异化发展。

电力消费碳排放量表现为迅猛增长型的既有处于西北边陲的新疆，也有处于华北平原的河北，还有处于长江以南鱼米之乡的江苏，三个省级行政区经纬度差异较大，分别代表我国三个不同经济发展水平的区域，其产业结构、人口数量等方面也差异较大，但是三者却是均表现出类似迅猛增长情况。新疆位于我国西北地区，近年来，随着西部大开发的推进，新疆的城镇化进程和经济发展速度都随之变快，对于电力的消耗需求量变大。我国鼓励高校毕业生参加西部计划，鼓励企业在新疆进行投资，新疆的人口数目逐渐增多且能源消耗量大[38];在工业结构方面，新疆是以重工业为主的耗能型结构，高耗能产业对电力的需求较大，这对电力消费碳排放产生了积极的推动作用。而江苏工业和建筑业的快速发展也使得电力消耗增加，同时使得电力消费碳排放量增多。作為我国最主要的钢铁生产省份河北，随着经济发展，作为原材料的钢铁需求旺盛，电力需求也急剧增加，使得电力消费碳排放量增大。从上述可以看出，这三个省份主要由于经济发展驱动，使得电力需求旺盛，造成相应的碳排放量急剧增加。

事实上，电力消费碳排放量的增长程度在一定程度上反映了工业发展的程度。以2019年为例，全国各个省份的第二产业的电力消费量在所有产业占比中均处于主导地位，这说明，中国电力消费碳排放主要来源于第二产业。因此，电力消费碳排放量的增长表明了各省产业结构的变迁、产业转型升级的程度、产业规模的扩张情况。而上述产业变动，主要是以工业为核心的变动，反映了中国各省工业的发展综合程度。处于电力消费碳排放缓慢增长型的省级行政区既有第三产业较为发达的北京、上海，也有工业发展较为缓慢的贵州、广西，还有处于严格产业政策管控下的山西。上述几类区域，虽然处于工业发展的不同阶段，但是从电力消费碳排放的变动程度这个角度来看，其处于同一区间，表明其工业发展综合程度是类似的，这里的工业发展综合程度主要指的是工业发展的负外部效应显著控制程度。

整体而言，在2009年到2019年，尚未出现省级行政区域在电力消费碳排放方面实现达峰，也在一定程度上表明，电力消费和碳排放量之间还未实现解耦脱钩。但是，平衡经济发展和电力消费碳排放量对于实现双碳目标意义重大[39]，前者是国家发展目标，后者是碳排放量的主要来源，而上述对于国家制定发展目标有一定借鉴意义。

人均电力需求在可预见的未来可能会持续快速增长，通过改善电力生产结构即电源结构可以缓解电力消费碳排放的产生量的增加速度，而实现高渗透率可再生能源发电的电力结构可以有效地降低碳排放量。两者之间存在一个平衡，即电力消费碳排放量的增长造成的碳排放量的增加与电源结构改善造成的碳排放量的减少互相抵消，就可以实现在电力消费方面的碳达峰，而实现电力消费的碳中和，需要实现完全意义上的清洁电源结构，在未来几十年，可能难以实现。鉴于此，控制两者之间的平衡的方法对于实现电力消费碳排量的改善极为关键，可以从中国这30个省级区域的电力消费碳排放量增长情况中找到现行的方法，实现电力消费碳排放量的缓慢增长。从前述三类区域划分可以看出，可以实行类似山西的严格产业政策，代价可能是经济发展受限;可以像贵州、广西一样，存在着经常性变更经济规则，如本土企业产生一些不合理竞争，导致本土企业和省外企业交流受限，代价可能是经济发展趋缓;可以像北京、上海一样，代价可能是产业空心化迹象。而实现电力消费碳排放量的降低，付出的成本更高，因此需要慎重权衡经济发展和电力消费碳排放量之间的关系。但是人类命运共同体的整体气候危机、国家的能源安全危机等均迫切要求加快改革，这就需要慎重地考虑改革的成本和改革中出现的问题，也就是在电力消费碳排放量过程中的问题。

（二）中国电力消费碳排放空间变化分析

为了更加清晰的研究我国电力消费碳排放量的空间变化，文章选取2009年、2013年、2017年、2019年为代表年份，采用标准差椭圆法，对我国电力消费碳排放量的重心迁移方向做出分析。

1. 从椭圆的中心性可知：2004年到2019年期间，我国电力消费碳排放不断地移动，先向东北方向迁移，后又向西南方向迁移，始终是在河南省以及湖北省和河南省的交界处附近，其原因是经济的发展，东北地区受东北老工业基地的影响，重工业基础深厚，工业发展历史悠久，对能源的使用需求较大，对电力消费碳排放量贡献较大;随着西部大开发战略的进行，以及近些年南方部分省份经济的迅速发展，云南、贵州、四川、重庆的人均GDP都有所上升，而吉林、黑龙江等东北地区的人均GDP有所下降，导致电力消费碳排放量的重心由东北部逐渐偏移到西南。在2019年电力消费碳排放的重心再次向东北方向偏移。

2. 从椭圆展布性可知：在所选取的2009年、2013年、2019年三个年份，椭圆的长轴和短轴没有明显变化，椭圆的变化范围较小;在2017年时，椭圆的长轴发生了明显的变化，长轴变短，短轴变长，空间分布面积变小，表现为电力消费碳排放和分布重心收敛程度高，电力消费碳排放的主体范围变小。

3. 从椭圆方向性可知：中国电力消费碳排放的椭圆长轴方向较为明显，沿着东北-西南的方向分布，北起河北省北部，南至湖南省南部，涵盖了我国华北、华东、华中地区的大部分省市。总体可以看出全国电力消费碳排放在该方向上呈空间分散状态。椭圆旋转角在2017年发生了较大的偏移，且短轴长度变长，长轴长度变短，表明这一年的电力消费碳排放量的分布格局区域集中，且椭圆的方向性减弱。

（三）中国电力行业消费碳排放影响因素分析

文章运用LMDI模型，将2009年作为基准年，将中国的电力消费碳排放量分解为人口规模、经济发展、能源强度、能源结构、排放因子五个维度，同时从时间和空间角度分析了各个分解因素在全国三十个省（市、自治区）的影响程度。通过利用各个省级行政区域各个产业电力消费数据以及各个电网在不同区域的电力排放因子数据来确定各个省级区域的电力消费碳排放量，然后再将碳排放量随时间的增长情况分解为上述五个因素，通过利用Matlab编制程序，计算得到2009年到2019年全国各个省级区域的电力消费碳排放影响因素效应，然后将其累和得到全国电力消费碳排放量影响因素效应表。

累计来看，2009—2019年的人口规模效应、经济发展效应、能源强度效应、能源结构效应、排放因子效应对电力消费碳排放增长的驱动分别是9.4%，126.6%，-19.5%，0.07%，-16.7%。总体来看，人口规模效应和经济发展效应对电力消费碳排放的增长始终是呈现正向的驱动作用，且经济发展的影响是最大的;能源强度效应和排放因子效应总体上对电力消费碳排放呈现负相关的关系，这与之前学者针对中国整体碳排放量因素分解的研究结果是一致的。

就各个因素情况贡献而言，在2009年到2019年，对于全国电力消费碳排量，经济发展效应占据主导地位，而人口规模效应虽然发挥正向促进电力消费碳排放作用，但是贡献值较小;此外，电力排放因子对于电力消费碳排放的贡献也是较为显著的，并且呈现波动上升的趋势，而能源强度效应对于促进电力消费碳排放量也是较为显著且呈现增长状态，但是能源结构改善在这段时间并不显著。

2009年到2019年，人口规模效应对我国电力消费碳排放的累计贡献率为9.4%。在此期间，我国的人口总数增长较为迟缓，从2009年的13.31亿人增长至2019年的14.08亿，年均增速仅为5.6%。人口规模效应因素的变化量始终是正值，呈缓慢的上升趋势，是正向的驱动因素，但是总体的变化程度较小。尽管我国于2014年开放二胎，实行新的人口生育政策，但似乎难以改变我国新增人口急剧下降的趋势。未来几年，随着人口迈入可预见的负增长时代，其对电力消费碳排放的效应应该会逆转，这可能是未来电力消费碳排放量降低的一个重要驱动因素。

2009年到2019年，经济发展效应对电力消费碳排放的影响最大，且影响程度逐年上升，累计贡献率达到了126.6%。主要原因是该时期处在“十二五”和“十三五”期间，我国經济呈现中高速增长，“十二五”作为全球金融危机后的第一个五年计划，以加快转变经济发展方式为主线，强调加快转变经济发展方式;“十三五”时期要实现全面建成小康社会的目标，避免落入“中等收入陷阱”的风险，经济发展是我国近期和中期电力需求的最主要的驱动力。虽然我国新增可再生能源装机逐年增加，但是电力需求也在稳定增加;火电装机占比减少，但火电装机总规模也在逐年增加，因此经济发展在促进电力消费碳排放中一直扮演重要角色。未来应该追求高质量发展，要实现碳强度降低速度高于GDP增加速度，才能确保经济的负外部效应逐渐降低，但需要妥善解决能源效率差距问题[40]。

能源强度在此期间对全国电力消费碳排放量的累计贡献率为-19.5%，排放因子累计贡献为-16.7%，而能源结构贡献几乎为零。我国是发展中国家，需要兼顾经济发展和减排的双重任务，因此在过去长时间以来我国的气候目标一直以控制强度为主而非控制总量，并且制定阶段性降低强度的计划。“十四五”规划纲要将“单位GDP能源消耗降低13.5%”作为经济社会发展主要约束性指标之一，因此，能源强度在未来可能持续下降。而排放因子效应的改善主要由于采用可再生能源的渗透率逐年升高，使得电源端的排放量降低，因而影响到配电、输电环节的碳排放量降低。由于我国政府希望在2060年实现“可再生能源渗透率超过80%”的目标，未来电源结构也将持续改善，电力因素产生的贡献会持续增大。但是各个行业能源结构变化对于电力消费碳排放的贡献几乎为零，说明产业利用模式还未发生显著性改变，主要还是工业为主，向第三产业的移动速度较慢，说明我国在此期间，并未发生向生活消费型社会的转变，仍为工业消费型社会。事实上，这三个因素相乘，构成了电力消费碳排放量强度，而碳排放强度的降低是我国现阶段最主要的气候目标之一。根据中国国家部委统计，2020年中国碳排放强度比2015年降低了18.8%，比2005年降低48.4%，表明我国在降低碳排放强度方面取得了较大成效。但是未来随着碳排放强度逐渐降低，阻力也越来越大，因此在生产端和消费端必须多头并举。而文章发现我国工业消费型社会向生活消费型社会转变在2009年到2019年间极为缓慢，工业占比一直在90%以上，说明其蕴藏着巨大的下降空间，这可以成为降低碳排放量的一个着力点。

三、结论

根据2009—2019年我国各省的电力消费碳排放量倾向值，可以分为迅猛增长型、较快增长型等5个类型。从电力消费碳排放量增长速度来看，并没有显著的空间碳排放量波动长期聚集现象。新疆、河北和江苏代表我国三个不同经济发展水平的区域，但电力消费碳排放量均属于迅猛增长型，表明经济发展的区域性政策倾斜与电力消费碳排放量增速相关性较弱。电力消费碳排放表现为缓慢增长的省级行政区域如北京、山西、广西等，虽然其处于不同的工业发展阶段，但是对于负外部性效应的控制程度表现情况类似，其采取控制排放量的多样性策略可以为国家层面的整体战略部署提供借鉴意义。

利用标准差椭圆模型分析发现，在2009年到2019年间，电力消费碳排放量的重心首先发生东北方向的迁移，然后又向西南方向迁移，主要集中在湖北和河南省交界处附近;椭圆重心收敛程度增加，主体范围变小;延长轴方向较为明显，主要沿东北-西南方向分布，但方向性在此时间段发生减弱。可以看出，我国电力消费碳排放量空间分布格局逐渐收敛，聚集性较为明显，与电力消费碳排放量增长速度的弱空间聚集性形成对比。

2009—2019年，我国人口规模效应、经济发展效应、能源强度效应、能源结构效应、排放因子效应对电力消费碳排放增长的累积驱动效应分别是9.4%，126.6%，-19.5%，0.07%，-16.7%。研究发现，对于全国电力消费碳排量，经济发展效应占据主导地位，而人口规模效应虽然发挥正向促进电力消费碳排放作用，但是贡献值较小;此外，电力排放因子对于电力消费碳排放的贡献也是较为显著的，并且呈现波动上升的趋势，而能源强度效应对于促进电力消费碳排放量较为显著且呈现增长状态，但是能源结构改善在这段时间并不显著。随着可再生能源渗透率的逐渐增加、能源利用率的不断提高、产业利用模式的改善，后三者的负效应会逐渐显著;而随着未来我国面临人口负增长局面，人口规模效应将发生逆转;经济发展模式向高质量模式转变，经济发展效应也会降低，整体而言，未来电力消费碳排放量可能会逐渐改善。

參考文献：

[1] ROGELJ J，GEDEN O，COWIE A，REISINGER A.Three Ways to Improve Net-Zero Emissions Targets[J].Nature，2021，591（7850）：365-368.

[2] SHINDELL D，SMITH C J.Climate and Air-Quality Benefits of a Realistic Phase-Out of Fossil Fuels[J].Nature，2019，573（7774）：408-411.

[3] 推动平台经济规范健康持续发展—把碳达峰碳中和纳入生态文明建设整体布局[N].人民日报，2021-03-16（001）.

[4] 张希良，黄晓丹，张达，等.碳中和目标下的能源经济转型路径与政策研究[J].管理世界，2022，38（1）：35-66.

[5] 张宁.碳全要素生产率、低碳技术创新和节能减排效率追赶——来自中国火力发电企业的证据[J].经济研究，2022，57（2）：158-174.

[6] SHAHBAZ，M.，SARWAR，S.，CHEN，W.，& MALIK，M.N.Dynamics of Electricity Consumption，Oil Price and Economic Growth：Global Perspective[J].Energy Policy，2017（108）：256-270.

[7] 林伯强，刘畅.收入和城市化对城镇居民家电消费的影响[J].经济研究，2016，51（10）：69-81+154.

[8] 孙祥栋，徐杨钰，李江涛，等.中国工业部门电力消费因素分解——基于修正的LMDI分解法[J].中国能源，2019，41（10）：44-47+23-24+43.

[9] 张昕竹，刘自敏.分时与阶梯混合定价下的居民电力需求——基于DCC模型的分析[J].经济研究，2015，50（3）：146-158.

[10] 姚昕，潘是英，孙传旺.城市规模、空间集聚与电力强度[J].经济研究，2017，52（11）：165-177.

[11] RAHMAN M M.Environmental Degradation：The Role of Electricity Consumption，Economic Growth and Globalisation[J].Journal of Environmental Management，2020（253）： 109742.

[12] JUN，W.，MUGHAL，N.，ZHAO，J.， SHABBIR，M. S.，NIEDBALA，G.，JAIN，V.，& ANWAR，A. Does Globalization Matter for Environmental Degradation？ Nexus among Energy Consumption， Economic Growth，and Carbon Dioxide Emission. Energy Policy，153.Kirikkaleli D，Güng？r H，Adebayo T S.Consumption‐Based Carbon Emissions，Renewable Energy Consumption，Financial Development and Economic Growth in Chile[J].Business Strategy and the Environment，2022，31（3）： 1123-1137.

[13] KIRIKKALELI D，GUNGOR H，ADEBAYO T S.Consumption‐Based Carbon Emissions，Renewable Energy Consumption，Financial Development and Economic Growth in Chile[J].Business Strategy and the Environment，2022，31（3）：1123-1137.

[14] 王建军，李莉.基于随机性环境影响评估模型的电力消费和碳排放关系实证分析[J].电网技术，2014，38（3）：628-632.

[15] 侯建朝，郭娟.中国工业电力消费隐含碳排放绩效的区域差异研究[J].中国电力，2016，49（8）：106-109+115.

[16] ZHANG，P.，CAI，W.， YAO，M.， WANG， Z.，YANG，L.，& WEI，W.Urban Carbon Emissions Associated with Electricity Consumption in Beijing and the Driving Factors[J].Applied Energy，2020（275）：115425.

[17] APINRAN MARTINS OLUGBENGA，USMAN NURUDDEEN，AKADIRI SEYI SAINT，ONUZO CHINWENDU IFUNANYA.The Role of Electricity Consumption，Capital，Labor Force，Carbon Emissions on Economic Growth：Implication for Environmental Sustainability Targets in Nigeria[J].Environmental Science and Pollution Research，2022，29（11）：15955-15965.

[18] ZHONG LIANG，LIU XIAOSHENG，AO JIANFENGi.Spatiotemporal Dynamics Evaluation of Pixel-level Gross Domestic Produc，Electric Power Consumption，and Carbon Emissions in Countries along the Belt and Road[J].Energy，2022：239（PA）.

[19] Environment-Environmental Impact;Research Conducted at Shanghai Jiao Tong University Has Updated Our Knowledge about Environmental Impact （Urban Carbon Emissions Associated With Electricity Consumption In Beijing and the Driving Factors）[J].Global Warming Focus，2020.

[20] ANG，B.W.LMDI Decomposition Approach：A Guide for Implementation. Energy Policy，2015（86）：233-238.

[21] 趙先超，宋丽美，谭书佳.基于LMDI模型的湖南省农业碳排放影响因素研究[J].环境科学与技术，2018，41（1）：177-183.

[22] 文扬，马中，吴语晗，等.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[J].中国环境科学，2018，38（12）：4730-4736.

[23] 林伯强，蒋竺均.中国二氧化碳的环境库兹涅茨曲线预测及影响因素分析[J].管理世界，2009，187（4）：27-36.

[24] 鲁万波，仇婷婷，杜磊.中国不同经济增长阶段碳排放影响因素研究[J].经济研究，2013，48（4）：106-118.

[25] ZHAO，Y.，CHEN，R.，ZANG，P.，HUANG，L.，MA，S.， & WANG，S.Spatiotemporal Patterns of Global Carbon Intensities and their Driving Forces[J].Science of the Total Environment，2022：818.

[26] 徐丽，曲建升，吴金甲，等.中国农牧业碳排放时空变化及预测[J].生态与农村环境学报，2019，35（10）：1232-1241.

[27] 李建豹，黄贤金，吴常艳，等.中国省域碳排放的空间格局预测分析[J].生态经济，2017，33（3）：46-52.

[28] SHENSHEN SU，XUEKUN FANG，JINYANG ZHAO，JIANXIN HU.Spatiotemporal Characteristics of Consumption Based CO 2 Emissions from Chinas Power Sector[J].Resources，Conservation & Recycling，2016：121.

[29] 王烨，顾圣平.2006—2015年中国电力碳足迹及其生态压力分析[J].环境科学学报，2018，38（12）：4873-4878.

[30] 韩金雨，曲建升，刘莉娜，等.家庭电力消费的影响因素及其动态作用机制——基于CGSS2015调查数据的分位数回归[J].生态经济，2020，36（8）：68-73+94.

[31] 曹俊文，姜雯昱.基于LMDI的电力行业碳排放影响因素分解研究[J].统计与决策，2018，34（14）：128-131.

[32] 卢麾，施建成.基于遥感观测的21世纪初中国区域地表土壤水及其变化趋势分析[J].科学通报， 2012，57（16）：1412-1422.

[33] CHANGSHAN WU.Handbook of Applied Spatial Analysis：Software Tools，Methods and Applications Edited by Manfred M. Fischer and Arthur Getis[J].Journal of Regional Science，2012，52（2）.

[34] DAVID W.S. WONG. Several Fundamentals in Implementing Spatial Statistics in GIS：Using Centrographic Measures as Examples[J].Geographic Information Sciences，1999，5（2）.

[35] D. WELTY LEFEVER. Measuring Geographic Concentration by Means of the Standard Deviational Ellipse[J]. American Journal of Sociology， 1926， 32（1）.

[36] 赵作权.地理空间分布整体统计研究进展[J].地理科学进展，2009，28（1）：1-8.

[37] 郭政，陈爽，董平，等.长江三角洲城市群工业污染时空演化及其驱动因素[J].中国环境科学，2019，39（3）：1323-1335.

[38] 哈力努尔.新疆农村城镇化进程中的问题研究[J].山西农经，2022（5）：115-117.

[39] 林伯强.碳中和进程中的中国经济高质量增长[J].经济研究，2022，57（1）：56-71.

[40] GERARDEN，TODD，RICHARD G.NEWELL，and ROBERT N.STAVINS."Deconstructing the Energy-Efficiency Gap：Conceptual Frameworks and Evidence."？American Economic Review， 2015，105（5）：183-86.