经济增长与结构变化对亚洲国家碳排放与空气污染物排放的影响——基于KAYA、LMDI 与SDA 分解的驱动力分析

吴雅珍，马啸天，吴凯，黄晨，戴瀚程

（北京大学 环境科学与工程学院，北京 100871）

高强度的经济活动与排放、较严重的环境污染程度和气候变化背景下的环境脆弱性[1]，已使全球人口最多、经济发展和结构变化快速的亚洲地区面临着突出的环境与生态问题。一方面，因全球变暖和环境污染，亚洲地区正面临严重的健康和经济损失。全球疾病负担研究指出，2017 年全球因环境污染而过早死亡的人数超过800万，其中约500 万发生于亚洲，尤其是中国和印度两个人口大国[2]；GUO 等[3]的研究指出，在1971—2020 年，中国、日本、韩国、菲律宾等国由于高温热浪导致的过早死亡率和人数均属全球前列，并且随着气候变化进一步加剧，这些地区在2030—2080 年将面临更严重的健康损失。另一方面，亚洲地区也是全球碳排放和空气污染物排放的主要源区，特别是进入21 世纪以后，中国、印度等新兴经济体碳排放量迅速增加，亚洲地区排放量明显超过了其他几个大洲。也因此，亚洲地区需探索绿色低碳发展道路，在降低温室气体与污染物排放的同时实现经济发展的高质量转型。

要制定合理的绿色低碳转型战略，首先需要准确识别当前碳排放和污染物的主要来源及其贡献。基于因素分解分析的驱动力分析方法能够定量解析人口增长、经济规模、经济结构、能源强度、末端控制技术等不同因素对排放变化量的贡献，识别影响排放增长路径和减排潜力的关键因素。排放驱动力分析常用的分解方法共有两种，为指数分解方法IDA（index decomposition analysis）和结构分解方法SDA（structural decomposition analysis）。指数分解法不需投入产出数据，分解结果无残余项[4]，可避免Laspeyres 分解等方法中残差项可能分解不当的缺点[5]，其典型代表为KAYA 分解方法以及与之关联的对数平均迪式分解法（LMDI）。结构分解方法需使用投入产出与中间消耗数据，对数据可得性要求较高，能细致分析部门结构和产品最终需求结构的驱动影响，也逐渐成为社会经济和环境资源领域常用的分析工具[6]。

目前，国内外学者已使用分解分析方法，针对全球、区域碳排放与空气污染物排放变化的贡献因素开展了丰富的研究[7-10]。政府间气候变化委员会（IPCC）第三工作组的历次《气候变化评估报告》[11-15]、联合国环境署《全球环境展望》[16]与《碳排放差距》报告[17]、国际能源署《能源相关CO2年度报告》[7]等均使用KAYA 分解方法考察了人口增长、经济规模、能源强度、单位能源消费碳强度这几类因素对全球不同地区CO2排放的影响。Divisia指数分解中LMDI 法[18]也是起源较早、被广泛运用的一种指数分析方法。近十年来，也有较多研究使用这一方法分析了中国及各省市、部门的碳排放驱动力[8-10,19-25]；GUAN 等[26]研究了中国2007—2016 年间的碳排放驱动力，指出在2015 年前后，能源结构和工业生产结构出现了显著变化，并大幅助推了中国碳排放的下降。刘小丽等[27]基于LMDI 法探究了中国制造业碳排放的驱动因素，发现经济增长和产业结构效应都是正向驱动了2000—2018 年间制造业碳排放。

同时，也有许多研究使用SDA 分解法考察了结构性因素对全球不同国家碳排放的影响[28-33]，例如XU等[29]和SU 等[32]分别使用SDA 方法指出中国、新加坡在对外贸易出口中都有大量的隐含碳排放；WANG 等[33]指出，各国生产结构差异造成了全球碳强度的显著差异，国际贸易则在一定程度上阻碍了全球碳强度的下降。尹伟华[34]对中国出口贸易隐含碳排放强度进行了估算，指出直接碳排放系数效应、中间投入技术结构效应、出口贸易综合效应三者共同促使了中国出口贸易隐含碳排放强度的降低。林伯强等[35]对2000—2014 年间全球能源效率变动进行了结构分解，指出发展中国家在全球经济中的比重提升，产业结构变化使全球能源效率提升变缓，也对碳减排进程产生影响。

分析现有研究可见，已有研究对于碳排放的关注程度很高，并且针对不同国家和地区、不同部门、不同驱动力的研究文献已经较为全面。除中国研究以外，亦有研究关注了日本[36-37]、印度[38-40]、印度尼西亚[41]等在内的亚洲国家，但很少有研究同时考察亚洲各个不同国家和地区的排放驱动力、进行跨国和跨区域对比；已有的部分对全球各国开展的研究则一般只重点考察了储蓄率影响等单一或少数驱动因素[42]。因此，在亚洲国家处于社会经济和环境发展模式转型关键节点的当下，有必要针对亚洲各国家和地区开展更全面的排放驱动力分析，为国际范围内节能减排政策的制定提供科学依据。

此外，与碳排放驱动力研究相比，有关空气污染物排放变化驱动力的分析数量很少，仅有少数2015 年以后发表的文献，且主要关注中国地区[43-45]，只有个别同时关注了其他国家的污染排放驱动力[46]。这一方面是因为全球范围内各发达国家的空气质量已经在过去数十年间有明显改善，因此空气污染的研究关注度相对较低；另一方面也是因为分部门、分能源的空气污染物排放清单难以获得，并且部门分类一般较为粗糙，研究者较难获得类似国际能源署（IEA）提供的全球143 个国家、36 个部门碳排放清单的空气污染物排放数据。不过，即使缺少区分“部门—能源”的排放清单数据，仍可结合可得的部门产出和排放清单数据进行分析，以获得启示性的结论。

因此，本研究将基于来自联合国和世界银行的人口与经济数据、GTAP 全球投入产出数据和IEA 数据库的能源数据，定量识别9 个亚洲国家和地区（中国、印度、日本、韩国、印度尼西亚、越南、泰国、马来西亚、亚洲其他地区）在2004—2014 年间的碳排放和空气污染物排放驱动力。所分析的驱动力包括人口增长、经济规模增长、经济结构、能源强度和能源排放系数五类因素。本研究旨在创新性地同时对比亚洲不同国家的排放驱动力（包括碳排放与大气污染物排放），尤其是重点考察各国经济增长和经济结构变化对排放的驱动影响，分析各国经济结构方面可能存在的进一步减排潜力，以期为亚洲地区经济转型和排放控制策略提供参考。

1 研究方法与数据来源

1.1 研究设计与技术路线

本研究首先使用KAYA 分析定性考察不同排放驱动力的长期变化，并结合LMDI 分析定量考察人口、经济规模、能源强度和排放系数四类驱动力的贡献大小。在此基础上，使用SDA 分解法，详细考察经济结构因素对碳排放和各类污染物排放的影响，包括GDP 部门产出结构变化的影响，以及GDP 中投资、消费、出口占比及三部分具体结构变化的分别影响。由于KAYA 分析和LMDI 只需使用年度部门总和数据，而SDA 分析需各国投入产出数据，结合数据可得性并综合考虑本研究技术路线，本研究将分析时段确定为2004—2014 年。详细技术路线如图1 所示。

图1 研究技术路线图

1.2 KAYA与LMDI分解分析

KAYA 恒等式[47]是IPAT 环境影响分析理论框架[48]的扩展模型。本研究使用其一次分解式[4]，考察人口、经济增长、能源消费和排放系数因素对各地区碳排放和空气污染物排放的影响。公式表达如下：

式中：Q表示碳排放或空气污染物总排放量，P表示人口，G表示GDP，E表示总一次能源供应量。因此，定义g=G/P表示人均GDP，即经济规模；e=E/G，表示GDP 能源强度，在经济体总体层面可反映经济体的能源效率和生产结构；c=Q/E表示能源碳排放强度，体现能源结构和终端控制技术渗透情况。因此，通过考察因素g和因素e的年际增长趋势，可以定性分析经济增长和经济结构的驱动影响。

LMDI 分解法是KAYA 恒等式的拓展。在KAYA 恒等式的基础上进行对数变换，可以得到：

进一步地，基于ANG[18]提出的LMDI 分解法，总排放量变化ΔQ可被分解为以下四项的贡献：

式中：上标0 和t代表任意的分析起止年份，L(wt,w0)即为LMDI 分解式中的对数平均权重，其值等于(Qt-Q0)/(lnQt-lnQ0)。ΔQp、ΔQg、ΔQe、ΔQc分别表示人口增长因素、经济规模因素、能源强度因素和排放系数因素对碳排放量变化的贡献量。

1.3 SDA分解分析

SDA 分解法属于分解分析中的特异性分解法，分解因素的项数可以灵活调整，因此，本研究分别使用简单分解、详细分解两个分解公式，用于分别考察GDP 部门结构影响、最终需求规模和各部分最终需求结构影响，从而较为全面地考察经济增长和经济结构对亚洲各国排放量变化的影响。

1.3.1 简单SDA分解：GDP部门结构影响

本研究中“简单SDA 分解”意指在区分经济结构影响时，只考察GDP 各部门结构的影响。对于任一地区和年份，碳排放量可写为最终需求向量f（即各部门GDP）、列昂替夫逆矩阵L和排放强度角阵的乘积，即其中排放强度表示的是各个部门单位产出的排放量，与KAYA 和LMDI 分析时的“能源排放系数”不同。列昂替夫逆矩阵L=(I-A)-1，其中I表示单位矩阵，而A={ai,j}是基于该地区投入产出表得到的直接消耗系数矩阵；A中的各项ai,j=zi,j/Xj，表示产品部门i提供给部门j的中间投入量（zi,j）占部门j总投入量Xj的比例。矩阵L中的元素表示各个部门对其他部门产品的完全消耗系数，即某部门单位最终需求品所需要的其他部门产品的中间投入量，反映的是经济体中不同部门之间的相互依赖关系[49]，也因此矩阵L又被称为完全消耗系数矩阵。

在此基础上，某两个年份之间排放量Q1和Q0的差值ΔQ为：

式（6）中：等号右边的三项依次表示排放系数变化贡献ΔQq、投入产出关系变化贡献ΔQL和最终需求变化贡献ΔQf。

随后，将最终需求向量f进一步分解为人口总量P、人均GDP（生产总值）PY以及GDP 中各部门占比向量SY的乘积，即：

式（8）中：等号右边的前两项与式（6）一致，依次表示排放系数变化贡献ΔQq、投入产出关系变化贡献ΔQL；后三项则分别为最终需求结构变化、人均最终需求总量变化、人口变化对碳排放或空气污染物排放的影响。

事实上，亦有研究[38]开发了独立程序，可用于求算所有可能的SDA 分解结果（例如当分解为7 个因素相乘时，共有7!=5 040 种分解结果）的均值。但为简化起见，本研究采用“镜面图形对”方法开展分析。以上各式中向量或矩阵的维数均为本研究设置的部门分类数量（共4个合并后的部门，详见1.4 节）。

1.3.2 详细SDA分解：最终需求结构影响

在此步骤中，本研究综合参照文献方法[6,42]，修改优化“双层嵌套SDA 分解”方法，使其可用于重点考察经济增长和经济结构变化的影响。与已有研究的区别在于，本研究使用的GTAP 投入产出表直接区分了国内生产和国际进口的中间投入关系，不需区分“进口替代效应”，直接考察各国产品的本国生产以及相对应的消费、投资、出口效应。考察这三项最终需求结构时，并不直接考察三类最终需求的变化量，而是将其拆分为总最终需求规模变化以及消费、投资、出口在其中的占比，并进一步区分三类最终需求内部的结构，从而能够从多个角度全面地考察经济结构变化的影响。具体分解公式如下：

首先，与“简单SDA 分解”方法一致，将碳排放量写为最终需求向量f、列昂替夫逆矩阵L和排放强度角阵的乘积，得到任意地区起始年份0 和年份1 之间排放量变化的分解公式；进一步地，再将最终需求向量f拆分为：

式中：fc、fi、fe分别代表消费、投资和出口需求向量；Y代表所有部门之和的最终需求总量，即一国GDP；pc、pi、pe分别代表消费、投资、出口总额在最终需求中的占比，和为1；Sc、Si、Se均为列向量，分别为消费、投资、出口中的部门结构，向量中各元素的和为1。对式（9）中的三项分别展开分解，可得：

将式（10）带入式（6），可得最终分解结果：

其中：

值得注意的是，由于pc、pi、pe之和为1，因此三者变化的贡献并不独立，例如任一部分占比上升必然伴随其他两部分占比的相应下降、带来相应部分的排放量变化。因此，的变化需要综合理解，并且需要与pc、pi、pe的实际值结合起来理解。例如当分解结果中一国大于0，同时该国在这一时期出口占比增加，则说明由于该国出口相关的产品生产较国内产品更加排放密集，并且出口占比的升高有推高排放的作用。加和的结果，则可得到由于三类最终需求结构比例变化而产生的总体影响。

1.4 数据来源

本研究所涉及的数据包括排放清单、人口、经济总量和结构、投入产出数据、能源数据等。其中，排放清单数据为本研究关键数据。目前，覆盖亚洲各国碳排放和空气污染物排放的数据库包括联合国UNFCCC 温室气体排放统计①UNFCCC.GHG Data Interface, http://di.unfccc.int/time_series.、国际应用系统分析研究所（IIASA）开发的ECLIPSE 全球清单②IIASA.ECLIPSE V5a global emission fields, https://iiasa.ac.at/web/home/research/researchPrograms/air/ECLIPSEv5a.html.、欧盟开发的EDGAR 全球排放清单③EU Joint Research Center.EDGAR v5.0 Global Greenhouse Gas Emissions, https://edgar.jrc.ec.europa.eu/overview.php?v=50_GHG.，以及北京大学城市与环境学院开发的全球污染物清单PKU-Inventory④PKU global emission inventories, http://inventory.pku.edu.cn/.等。考虑到本研究聚焦于亚洲地区，并考虑碳排放和空气污染物排放数据来源的一致性，本研究使用亚洲区域排放数据库REAS v3.1 版本的分部门碳排放与主要一次污染物国别排放清单[50]。

本研究使用的人口数据来自联合国世界人口展望的国别人口统计①World Population Prospects 2019, https://population.un.org/wpp/.；KAYA 分析与LMDI 分解分析部分采用的总一次能源供应量数据来自国际能源署公开的能源平衡表数据②IEA.Data and statistics, https://www.iea.org/data-and-statistics/data-tables?country=JAPAN&energy=Balances&year=2004.，GDP 数据来自世界银行世界发展指标数据库③World Bank.World Development Index, https://data.worldbank.org/products/wdi.。SDA 分解部分使用的投入产出数据来自GTAP10数据库[51]，其中包含2004 年、2007 年、2011 年、2014年共四个年份的投入产出表，这也是本研究确定研究时段的依据。为了使年际间结果可比，本研究在各部分均使用2010 年不变价美元计价的经济数据，各国的年际间通胀率来自世界银行数据库③World Bank.World Development Index, https://data.worldbank.org/products/wdi.。

在研究地区方面，本研究针对9 个亚洲地区进行分析，分别是中国、印度、日本、韩国、印度尼西亚、马来西亚、泰国、越南以及除此之外的亚洲其他国家。在GTAP 投入产出表的初步处理中，亦将数据库原始的全球141 个国家或地区合并为上述9 个区域以及除亚洲以外的世界其他地区，共10 个地区。在排放清单和经济、人口等各类数据中，中国地区均包含了中国大陆以及港澳台地区。

在部门上，考虑到REAS 排放清单部门分辨率有限，本研究将原始的65 个经济部门合并为5 个部门，分别为农业部门、工业部门、电力部门、交通和服务业部门；又由于REAS 排放清单中未区分农业部门排放（均归为“其他排放”类别），因此本研究在排放量SDA 分解分析部分将投入产出数据的农业和服务业部门整合为新的“其他部门”。基于GTAP 各年份原始投入产出数据构造的亚洲九区域五部门投入产出表如表1 所示。基于这一结果求得列昂惕夫逆矩阵L后，本研究根据总投入和总产出的平衡关系，对总产出进行了校正。

表1 基于GTAP投入产出数据得到的亚洲九区域五部门投入产出基础表框架

2 研究结果

2.1 亚洲地区排放量与社会经济发展趋势

本研究首先使用REAS 数据库排放数据考察亚洲各国排放量变化情况。分析可知，亚洲各国家和地区排放量变化趋势差异显著。图2 以中国、印度、韩国、日本四国为例，展示其2000—2015 年CO2和各类一次空气污染物的分部门排放变化趋势。可以看出，中国的颗粒物一次排放在2003 年左右达峰并开始有所下降，SO2排放自2005 年起即“十一五”期间开始有较为明显的下降，CO2与非甲烷挥发性有机物（NMVOC）排放在2015年之前总体保持增长趋势；其余污染物的排放量均在2010 年前后出现峰值，此后缓慢下降。印度的碳排放和污染物排放在此期间均呈上升趋势，尤其是碳排放和氮氧化物排放自2005 年起呈加速增长趋势。而韩国、日本两国的碳排放总体保持稳定或波动上升，而各类空气污染物排放均自2000 年起有较为明显的下降趋势，呈现出与中印两国不同的趋势。

图2 亚洲地区中、印、韩、日四国2000—2015年各类污染物排放量变化情况

考察部门差异可以发现，中、印、韩、日四国中，电力部门和工业部门是各类污染物排放的重要贡献者，意味着这两个部门以及与之关联的上下游生产部门将可能是未来各国需要更加注意的减排重点部门。除此之外，中国和印度的居民源也是BC 等几类污染物的重要来源之一；交通源对于两国NOx等污染物排放的贡献也较大。

以上四国的排放量趋势与其经济增长的长期趋势呈现出一定的相关性，同时也有部分差异。由图3（a）可以看出，中、印、韩三国的不变价GDP 总量在2004—2014 年期间总体均有较为明显的增长。其中，中国的经济总量增幅在此10 年间超过了100%，印度、韩国也接近50%；日本GDP 总量则呈现波动且无明显增长。由此可以初步推测，中、印两国的经济增长和日本相对平稳的经济总量或许可以在一定程度上解释其对应的排放量变化趋势；而韩国虽然经济增长也较为明显，但大部分污染物排放显著降低，则表明经济结构或能源结构等结构性因素对排放量下降起了助推作用。

图3 中、印、韩、日四国2004—2014年经济总量与结构变化

同时，分析各国GDP 结构[图3（b）]和最终需求组成[图3（c）]可以发现，在部门结构上，四国年际间有一定变化，但幅度轻微；中国的农业部门占GDP 比重小幅下降，工业部门比重则从2004 年的60.0%略微提高到了2014 年的63.1%；印度工业部门占比提高的幅度略大，从46.7%增长至53.6%；韩国的工业与服务业部门的比例长期保持在6 ∶4 左右，日本则为4 ∶6，年际十分稳定。最终需求结构方面的年际趋势变化则稍加显著。中国的消费和投资占比在10 年间都有一定程度的升高，分别从38%提升至42%，从27%增长到36%；而出口占比则出现明显下降，从2004 年的34%降低到2014 年的22%。印度2014 年的消费占比也在2004 年52%的基础上再提高了5%。韩、日两国三部分最终需求比例在年际有一定的波动，但总体变化不大。

2.2 主要因素影响：KAYA与LMDI分析结果

2.2.1 KAYA分析

在趋势分析的基础上，本研究基于KAYA 恒等式和LMDI 分解分析方法考察人口增长、人均GDP 增长、能源强度变化、排放系数变化四个不同因素的贡献。由于污染物种类较多，本研究重点选择CO2、BC（同时引起空气污染和气候变化）、SO2、NOx（二次PM2.5重要的两类前体物）四类较有代表性的物种进行分析。表2 以CO2为例展示了各地区排放量变化的KAYA 分解分析部分年份结果。表中的百分比数值表示人口、人均GDP 等各变量相比于2004 年的比例。由于四项驱动力因素均对最终排放量有线性影响，因此，根据各因素绝对数值相比于某一固定年份比例的变化，即可定性判断其对碳排放或空气污染物排放的贡献正负和大小：若某一因素的比例大于100%，就说明该因素在当年对排放量有正向推动作用，反之则说明有减排作用。

图4 展示了四类污染物排放量变化的KAYA 分解结果。可以看出，在中、印、韩三国中，人均GDP 在2000—2015 年间均持续增长，成为主导排放量增长的重要因素。在中国，除经济规模增长迅速以外，人口也有缓慢增长，起到了微小的正向影响；中国的能源强度自2004 年起不断降低，至2014 年中国单位GDP 能源消耗量从2004 年的0.000 48 吨标油/美元下降至0.000 35吨标油/美元，降幅为28%，一定程度上抵消了经济规模增长的影响；不同污染物的排放系数则有一定差异，其中SO2和BC 的能源排放系数明显下降，但二氧化碳的排放系数仍升高，这可能受到能源效率变化等因素的影响。正是这些不同作用方向的因素叠加，使得中国空气污染物排放在2005 年之后总体开始下降，而CO2排放仍有所增加。印度与韩国的各驱动力因素变化趋势与中国类似，但具体增速有所不同。日本的情况与其他三国有一定差异，主要表现为人均GDP 波动增长且对排放量影响较小，主导各类污染物排放量变化的是单位能源消费量的终端污染物排放系数。这表明在2004—2014年间，日本的能源结构、能源技术与污染物终端控制技术发展趋势对污染物排放量起主要影响。其中，CO2和SO2的单位能耗排放系数自2011 年起有显著上升，这与化石能源在日本发电结构中的占比提升有关；而与电力关联较小的BC 和NOx的排放系数则伴随清洁技术的进一步渗透而逐渐降低。

图4 中、印、韩、日四国各个排放驱动力因素相较于2004年的增长比例变化

2.2.2 LMDI分解分析

接下来，基于LMDI 分解法，选择CO2与NOx分别作为温室气体和空气污染物的代表，对上述四类因素贡献进行定量分析。表3 展示了LMDI 分解得到的各因素对CO2排放量变化影响的定量结果，分析对象为投入产出表数据对应的四个时期：2004 年、2007 年、2011年、2014 年。表中各时期的数值分别代表自上一时期至本时期（例如2007 年的上一时期为2004 年，以此类推；“2014—2004”指2014 年相较于2004 年的总变化）各因素对排放量变化的贡献量。

图5 可视化展示了针对CO2的绝对和相对贡献量分解结果。在2004—2014 年，经济规模增长对所有地区的碳排放贡献均为正，并且在中国、印度、韩国，经济增长主导了碳排放量变化；能源强度的下降带来了较为显著的减排影响，而由于经济体总能源强度受到经济结构和能源效率（包括能源结构）的多方面影响，因此可认为结构性因素的综合影响给这四个国家均带来了减排效果。人口增长对各国的碳排放影响很小；排放系数效应则在日本尤其显著，推高了日本的碳排放量。本研究分析得到相应驱动力因素对中国的碳排放驱动力贡献与GUAN 等[26]基于LMDI 方法对中国2007—2016 年碳排放趋势开展的研究结果相似；而印度的各驱动力贡献量和正负结果也与WANG 等[38]对印度2000—2014 年生产者责任碳排放驱动力的分析结果类似。

NOx的驱动力分解分析结果与CO2相似（图6），仅排放系数贡献的分布情况与CO2有所不同。在中国、韩国、日本，排放系数变化都带来了显著的减排贡献，意味着在这些国家能源利用的清洁化和终端控制技术的渗透率提高帮助了NOx的减排；印度则相反，排放系数在分析时期内略有升高，推高了NOx排放。

图6 基于LMDI分析所得2004—2014年间中、印、韩、日四国NOx排放变化的分因素贡献

根据以上分析，可以初步得出驱动力分析结论，即在人口增长、经济规模、能源强度、排放系数四项驱动力因素中，人口增长对各国的排放量变化贡献很小（在日本甚至略微为负）。除日本外，中、印、韩三国最重要的排放增长驱动力仍为经济规模，即人均GDP 的增长。能源强度代表了结构性因素，总体带来一定负向作用，帮助了CO2和空气污染物排放量的下降，但并未抵消人均GDP 增长对排放规模的影响。排放系数取决于能源结构和能源利用技术，直接影响排放量，在印度以外的三国，排放系数下降推动了NOx排放的下降；而在以上四个国家，碳排放系数均在2004—2014 年期间有所升高，对CO2排放起了微小的推动作用。

2.3 经济增长与经济结构影响：SDA分析结果

2.3.1 GDP增长与GDP部门结构的影响

本部分基于SDA 分解法细致考察经济结构中的因素对碳排放和污染物排放的影响。首先，将影响因素区分为经济发展影响与单位产出排放系数影响。其次，将经济发展区分为GDP 总量和GDP 部门结构，或进一步区分为最终需求规模以及其中消费、投资、出口“三驾马车”的比例与具体结构，详细考察经济结构转型对经济体碳排放、空气污染物排放量的影响。

基于简单SDA 分析，可区分GDP 增长和GDP 部门结构的影响。图7 展示了亚洲各国家和地区2004—2014 年间不同驱动因素对各类污染物排放量变化的影响结果。首先，亚洲碳排放或空气污染物排放量的总体规模也表现出很大程度的区域异质性，这与亚洲不同地区经济体量和经济结构的异质性有较大关联。而各国家和地区驱动力分解结果也有较大差异，例如在中国和印度，人均GDP 即经济规模变化对排放量有明显的正向推动作用；而在印度尼西亚、日本、韩国等国家，经济规模的影响不大。相较于经济规模或其他驱动因素，GDP 部门结构变化对各国家、各污染物的排放量变化贡献都很小，仅在CO2、SO2、NMVOC 这几类物种中有一定程度的贡献。

图7 亚洲国家和地区2004—2014年间不同驱动因素对排放变化量的贡献

图8 展示了基于SDA 分析得到的亚洲各地区2004—2014 年间不同驱动因素对各类污染物排放量变化率的影响结果，可以更为直观地对比同一国家内不同因素对各类污染物排放影响的方向和程度大小。经济规模变化对大部分亚洲地区的CO2、BC、NOx等的排放都有较为明显的影响。例如，在中国，经济规模变化贡献了超过100%的碳排放和BC 排放增长；在印度，此因素的影响基本接近或超过其他因素影响的总和。同时，GDP 部门结构的影响仍显得很微弱，主要影响CO2、NOx和NMVOC 这三类物种的排放量，且一般均为负向影响，说明在2004—2014 年间，各国的GDP 结构都一定程度向“低排放的部门结构”进行了转型。此外，排放强度的影响不可忽视，在中国、泰国、日本、韩国，排放强度几乎是所有污染物最重要的减排贡献因子。而在越南、印度、印度尼西亚和马来西亚，排放强度反而使多种污染物的排放量增加，说明这些国家在此期间的各部门生产结构和能源技术、生产技术可能在往更高排放的方向发展。这一现象是这些地区在制定下一步减排战略时需要注意的。

图8 亚洲国家和地区2004—2014年间不同驱动因素对排放变化率的贡献

2.3.2 最终需求比例及各部分结构的影响

与图7 和图8 类似，图9 和图10 也分别展示了各个驱动力因素对于不同地区2004—2014 年间排放变化量和排放变化率的影响。与上一节的区别在于，本节展示的详细SDA 分解结果为把最终需求对排放的影响细致区分为消费、投资、出口占比的分别影响，以及消费结构、投资结构、出口结构的具体影响。图9 展示了绝对量变化的分解结果，可以看出，经济规模的影响仍占据主导，其次为排放强度下降带来的减排效应。最终需求总量对排放变化的影响很小。在中国，“三驾马车”（投资、消费、出口）相对占比变化对各类污染物排放的净影响为微小的负值，又由于中国经济结构在此期间表现为出口占比下降、国内消费和投资比例上升，这说明中国生产国内需求产品的相关排放量较出口品的排放强度略低，但总体差异较小；同时，“投资、消费、出口结构变化”对碳排放和空气污染物排放的净影响为微小的正值，因此两方面结构影响基本相互抵消。在其他大部分国家，最终需求比例和结构的影响也很小，大多表现为较小的减排影响。

图9 亚洲国家和地区2004—2014年间各细分驱动因素对排放变化量的贡献

图10 亚洲国家和地区2004—2014年间各细分驱动因素对排放变化率的贡献

从图10 可进一步看出，GDP 总量和排放强度变化贡献的变化率一般超过50%，对于部分国家和污染物可达150%；而消费、投资、出口占比和结构的影响实际上十分微弱，单一因素贡献的排放年际变化率大多在10%以内，同时不同符号的结构性影响存在相互抵消，使净影响更不显著。

各驱动因素贡献的结果对比一方面说明，相较于经济增长，经济结构对于亚洲国家2004—2014 年排放量变化的影响总体很小；另一方面也意味着各国在经济结构上尚存较大减排空间。例如，中国在着力扩大内需、发挥国内市场潜力的同时，也需要同时注重国内产品生产的低碳清洁化，这既意味着要优化能源结构和生产技术、降低能源部门和终端能源消费的排放量，同时也需要结合供给侧结构性调整等措施推动产业结构升级，使科技、服务贸易等行业成为更重要的经济增长点。此外，“投入产出关系”的贡献影响也值得关注，因为其反映的是各部门生产之间的中间投入依赖关系，可以在一定程度上衡量经济体产业链的总体绿色程度。这一因素的贡献在中国、印度的影响皆为负，说明两国已经在产业链绿色化方面取得了一定的成效，但同样也有较大的减排空间可进一步挖掘。从这一角度出发，结合结构路径分析等方法识别出重要排放部门，并针对性地制定减排方案，将能够更高效地开展减排工作。

3 结论与建议

本文首先总结回顾了现有的驱动力分析文献，尤其是其中针对亚洲国家开展的研究，指出现有研究对亚洲国家横向对比和结构性驱动力分析较少的研究现状。随后，结合KAYA 分解和LMDI 分解方法，探究了亚洲9个国家和地区碳排放和空气污染物排放量变化趋势，以及人口、经济增长、能源强度、排放强度等驱动力因素的年际变化及各因素对排放量的定性和定量贡献。进一步地，本文使用SDA 分解法对经济结构因素的排放影响进行了详细考察，对不同国家、不同污染物的排放因素进行了横向对比，并重点突出了各类经济结构因素对亚洲各地区不同物种排放量的影响及其相对于经济规模、排放强度等其他因素的程度。

研究结果表明：（1）在21 世纪前15 年间，亚洲国家经济总体呈现增长态势，同时，各国CO2和各类一次空气污染物排放量都呈现出明显的年际变化，且不同地区的排放量变化趋势有较大差异。中国、印度作为经济增长的人口大国，排放量较高且增长快速，而日本、韩国为发达国家，排放量低且伴随着技术进步，排放量总体呈现下降趋势。不过，各国碳排放量总体均上升，体现出碳减排的较高难度。

（2）经济规模增长是亚洲各个发展中国家排放量上升的最重要驱动力，人口因素目前的影响很小，能源强度下降推动了各国的减排进程；同时，排放系数的下降对绝大部分亚洲地区排放量的影响也很显著。

（3）与经济规模因素和排放强度因素的显著贡献相比，经济结构变化对于各国排放量变化的影响较小，约小一个数量级。无论是GDP 部门结构的变化，还是最终需求中投资、消费、出口各自占比和结构变化，都仍未在2004—2014 年期间体现出对排放增加或减少的显著影响。这也意味着，各国在经济结构方面尚有较大的减排潜力，未来要在保持经济平稳运行的条件下实现低碳转型，除了进一步优化能源结构和生产技术外，也应更多挖掘和发挥经济结构方面的减排潜力，尽快通过结构转型避免高污染、高能耗产业的“高碳排放、高污染排放锁定效应”，从而实现经济高质量发展。