中国汽车制造业碳排放驱动因素研究

摘 要：以中国汽车制造业为研究对象，采用碳排放因子法对2012—2021年我国汽车制造业碳排放量进行测算，进而采用广义迪氏指数分解法对营业收入、能源消耗和投资规模等碳排放驱动因素进行分解分析。结果表明：①2012—2021年我国汽车制造业碳排放量整体呈现递增状态，未达到行业碳达峰；②汽车制造业的营业收入、能源消耗规模、能源消耗碳强度具有较强的促增效应，投资强度和能源强度是抑制二氧化碳排放的主要因素，营业收入碳强度及投资碳强度均为先抑制后促进的作用。基于研究，提出了政府应当引导创新方向，各企业应加大创新研发、提升能源效率的建议。

关键词：汽车制造业；碳排放；驱动因素；广义迪氏指数分解法

中图分类号：X38 文献标志码：A 文章编号：1673-9655（2024）05-000-06

0 引言

实现“双碳”目标，现已成为我国面临的最大的机遇与挑战；同时也是促进我国能源及相关工业升级，实现国家经济长期健康、可持续发展的必然选择。

汽车制造业作为推动我国经济发展的重要支柱型产业，占燃料和电力消耗很大份额；并且该行业作为综合性制造业，产业链长、涉及面广、能耗大[1]，向上可以影响汽车零部件制造业及石化等基础工业，向下可影响回收利用等服务行业，所以汽车制造业的减碳对于我国早日实现低碳发展有着重要的推动意义。

在碳排放因素分解研究方面，国内外学者常用的分解方法有两种，一种是简单的指数分解法（IDA），另一种是基于投入-产出模型相结合的结构分解法（SDA）[2]。其中，对数均值迪氏指数分解法（LMDI）以其适用性、易用性等优点，成为揭示二氧化碳排放量变化驱动力最主流、最优选的分解方法[3]。Elif Akbostancı[4]、Lin[5]、李春香[6]

及陈锋[7]等均运用了LMDI模型对不同地区的碳排放影响因素进行了实证分析。随着研究深入，2014年Vaninsky研究发现，现有的指数分解法在选取相关因素时存在相互依赖的问题，无法准确衡量不同因素对碳排放的贡献；从而提出了新的研究方法——广义迪氏指数分解法（GDIM），并运用到中美两国碳排放影响因素的研究中[8，9]。随后，许多学者运用GDIM模型对不同地区或行业的碳排放因素进行了分析[10-13]，但其研究对象多为工业、制造业等行业大类，或是个别工业发达的省份，对于细分行业研究较少。因此，本研究对2012—2021年中国汽车制造业碳排放量进行测算，然后从经济、投资、能源三个维度选取8个影响因素，采用广义迪氏指数分解法对其进行分解分析，量化各因素对行业碳排放量变化的贡献程度，为我国汽车制造业的绿色低碳发展提供科学、合理的建议。

1 研究方法

1.1 中国汽车制造业碳排放量的测算

目前，较为熟知且受各国认可的碳排放量测算方法有：排放因子法、质量平衡法和实测法[14]。

三种方法各有优缺点，根据综合考虑本研究选取碳排放因子法作为汽车制造业碳排放量测算的方法。

在计算汽车制造业碳排放量前应先厘清核算边界。根据《温室气体核算体系：企业核算与报告标准》所设定的温室气体核算范围[15]，本研究边界见表1。由于数据的可获得性，本文仅考虑范围1和范围2两方面的二氧化碳排放量。

1.1.1 直接排放

汽车制造业的直接碳排放主要是企业直接使用化石能源产生的碳排放。基于政府间气候变化专门委员会（IPCC）《国家温室气体排放指南》提供的碳排放因子法[16]，根据能源消耗数据来计算中国汽车制造业2012—2021年的二氧化碳排放量，计算公式如下。

（1）

式中各字母的含义见表2。

本文根据《中国统计年鉴》所公布的汽车制造业能源消耗数据，选取煤炭、焦炭、原油、汽油、煤油、柴油、燃料油和天然气这8种能源来计算碳排放量。各能源的相关系数取自《中国能源统计年鉴》和《IPCC国家温室气体清单指南》，见表3。

1.1.2 间接排放

汽车制造业间接碳排放为企业外购的电力和热力碳排放。其计算公式如下：

（2）

式中：各字母的含义见表4。

其中供热排放因子为0.11 tCO2/GJ，中国全国的电网排放因子迄今为止共发布过三次，根据相关文件，各年份的电网排放因子取值见表5。

1.2 驱动因素分解方法

对于碳排放影响因素的分解，指数分解法已成为众多学者首选的方法之一。指数分解法的原理是，首先通过关系式建立研究对象与各因素的关系，然后利用各种指数分解技术确定各因素在改变解释变量时的影响权重，进而确定各影响因素的贡献。2014年，Vaninsky针对现有的指数分解方法存在的缺陷，构建了一个新的指数分解方法—广义迪氏指数法。该方法能够克服其他分解模型在因素选取上相互依赖的缺点，并且对绝对因素和相对因素进行考察，避免了重复计算的问题。因此，本文采用GDIM分解方法对汽车制造业2012—2021年的二氧化碳排放量驱动因素进行分解分析。

在广义迪氏指数分解法的框架下，被解释变量是阶乘指标X1、X2、……、Xn的函数，阶乘指标X1、X2……Xn通过方程组互联[8，9]。

（3）

（4）

其中，方程（4）可以用矩阵形式改写为：

（5）

被解释变量变化量Z可以分解为：

（6）

式中：L—研究区间；" "的列梯度向量；T—转置；I—单位矩阵；的雅克比矩阵；的广义逆矩阵；如果各因素变量见是线性无关的，则有。

2 中国汽车制造业二氧化碳排放因素分解模型的构建

2.1 驱动因素的选择

汽车制造业作为我国的支柱产业，其生产工艺是影响二氧化碳排放量的重要因素之一。在过去的几十年中，汽车制造业已成为重要的燃料、电力和原材料消耗者以及温室气体的主要来源[17]。

此外，由于供应链的复杂性和生产活动的多样性，汽车制造业的能源消耗对于该行业二氧化碳排放有着重要影响。随着汽车行业市场规模的扩大、汽车生产量的增加，在行业获得较大经济收入的同时，也会导致更多的碳排放。有研究表明，碳排放与财务绩效之间存在强烈且持续的负相关关系，减少碳排放战略对财务绩效指标产生负面影响，这种影响随着碳风险的增加而增加[18]。

同时，更高的营业收入可能意味着更多的投资可用于研发和采用更环保的生产技术，可能有助于二氧化碳排放量的减少。然而，如果投资用于扩大生产规模而非技术改进，那么行业二氧化碳的排放量可能增加。因此，本文选取汽车制造业的经济收入、能源消耗和投资规模以及经济收入碳强度、能源消耗碳强度、投资碳强度、能源强度及投资强度八个因素作为影响因素指标。其中汽车制造业经济收入用该行业的营业收入数据表示，投资规模用固定资产投资额数据表示。各变量的具体含义及字母表示见表6。

2.2 模型构建

基于GDIM的原理，建立中国汽车制造业碳排放驱动因素分解的关系式，如下：

（7）

（8）

（9）

式中：C—中国汽车制造业碳排放总量（万t）；C/R—汽车制造业经济收入碳强度（RCI）；C/I—汽车制造业投资碳强度（ICI）；C/E—能源消耗碳强度（ECI）；I/R—投资强度（II）；E/R—能源强度（EI）。

对上述公式（7）（8）（9）进行变形，可得出以下公式：

（10）

假设上述分解因子的向量为X，各因素对碳排放变化的贡献为函数C（X）。函数C（X）的梯度和雅克比矩阵如下：

（11）

根据以上GDIM的原理，汽车制造业碳排放的变化量被分解为各影响因素X贡献的总和：

（12）

基于上述因素分解，我国汽车制造业碳排放量的变化可被归因于三个绝对因素的变化ΔCR、ΔCI、ΔCE和五个相对因素的变化ΔCRCI、ΔCICI、ΔCECI、ΔCII、ΔCEI效应之和。其中，ΔCR、ΔCI、ΔCE分别反映了汽车制造业的营业收入、投资规模和能源消费的变化对该行业碳排放量的影响，ΔCRCI、ΔCICI、ΔCECI、ΔCII、ΔCEI、分别反映了汽车制造业发展的低碳程度、投资规模的低碳程度、能源结构、投资强度以及能源强度对该行业二氧化碳排放量变化的影响。

2.3 数据来源

本研究使用的中国汽车制造业2012—2021年能源消耗数据、营业收入均来自《中国统计年鉴》。自2012年开始，国家统计局才将汽车制造业相关数据单独分类公布，所以为确保数据的准确性，本研究自2012年开始进行数据的收集分析工作。此外，为了消除价格因素的影响，借助价格指数对营业收入指标进行调整。在分析能源消耗量时，选取8种能源按《中国能源统计年鉴》公布的标准煤折算系数折算为标准煤。

3 结果与分析

3.1 汽车制造业碳排放演变趋势

从图1可以看出，我国汽车制造业二氧化碳排放量总体上呈现波动且增长趋势，由2012年的6224.08万t增长至2021年的9224.07万t，年均增长率为5.36%。其中，2020年增长最为显著，比上年增长了11.06%。2019年是碳排放量负增长最大的

一年，在这一年，我国汽车制造业规模以上工业企业经营效益下滑，汽车消费出现低谷期，但是碳排放负增长的情况仅维持了一年。2020年以来仍处于碳排放逐年递增的状态，并不符合我国提出的低碳高质量发展，增大了我国绿色低碳转型的难度。

从碳排放来源来看，汽车制造业的间接碳排放量一直高于直接碳排放量且差距逐年增大。首先，可能是因为在“双碳”目标的催动下，国家出台多份文件强调加快煤炭减量的步伐，各大汽车制造商开始纷纷寻求转型，力求寻找新的能源以代替化石燃料。随着清洁能源技术的发展，可再生能源的比重逐渐增加，能源结构正在发生转变，逐渐减少对化石燃料的需求，从而减少汽车制造业的直接碳排放量。其次，科技的进步促使新的技术体系诞生，使得汽车制造业研发新技术、新装备以及新的节能工艺来替代高能耗设备，并使用氢能和生物质能进行燃料替换。零碳电力系统的升级，各部门对零碳电力的普遍使用，也将实现能源利用方式的零碳化。与此同时，汽车制造业的规模不断扩大，这种扩大必然包含着能源消耗的增加，包括电力与热力的消耗，导致间接碳排放量的增加。即呈现出燃烧煤炭、石油等化石燃料产生的二氧化碳（直接排放）逐渐减少而企业购买和使用电力或热能过程中的二氧化碳排放量（间接排放）逐年递升的现象。

3.2 汽车制造业碳排放驱动因素逐年分析

本节运用R语言软件并根据上节叙述的GDIM分解方法对中国汽车制造业2012—2021年碳排放的8个驱动因素进行分解。各因素对汽车制造业碳排放量变化的贡献率及贡献值见图2及图3。

从以上图表可以得出，在2012—2021年，整体上汽车制造业的营业收入、能源消耗、能源消耗碳强度是促进该行业碳排放的影响因素，营业收入碳强度、行业固定投资额以及投资碳强度对于碳排放既有促进作用也有抑制作用，而投资强度和能源强度则总体呈现抑制碳排放的作用。

在影响汽车制造业二氧化碳排放量的因素中，营业收入为促进行业碳排放且对其增促贡献率较大，只有两年中贡献率为负，其余期间均为正值。营业收入间接代表了过去一年间行业的产出规模，我国作为全球最大的汽车产销市场，营业收入不断增加，机动车大规模生产，汽车制造企业对于上游原材料的采购、消耗以及生产制造环节的碳排放量都将上升。2012—2021年，汽车制造业营业收入增速达到了79%，二氧化碳排放量增速为48%，由此可见，二氧化碳排放量的增长趋势与经济产出大致一致。营业收入碳强度在2018年

由抑制碳排放转变为促进碳排放，也就是说营业收入的提升，汽车制造业的碳排放量也将越来越多。但相较于初始年份，2021年的营业收入碳强度降低，营业收入碳强度的下降并非主要来源于二氧化碳排放量的减少，而可能是受到商品价格的影响。汽车制造业2021年的营业收入碳强度相较于2012年下降了17.43%，这与近年来我国密集出台购置补贴、用电价格、免征车辆购置税等鼓励新能源汽车发展的产业政策有关，在政策及市场需求的作用下，我国新能源汽车产值快速增长，为我国汽车制造业营业收入的增加做出了贡献，而投资强度整体上对该行业的碳排放呈现抑制作用且贡献率较小。投资强度可以反映汽车制造业扩大再生产的能力，其对二氧化碳排放的影响取决于减排效果和扩大生产规模的相对大小，即投资强度越高，行业扩大再生产能力越强，所释放的二氧化碳排放量也就越多。

能源消耗对汽车制造业的碳排放影响一直处于促进作用且占有较大比重，汽车产业规模的不断扩大，行业产值的逐年递增使得汽车在制造、组装等环节对于钢铁、煤炭及电力的使用是必不可少的。由此可见，实现汽车制造业绿色发展，推动我国从汽车大国转向汽车强国是关键举措。能源消耗碳强度在2013—2020年对碳排放的均为促进作用，仅在2021年表现出抑制碳排放的效应，表明在这阶段内，行业虽注重减少煤炭等不可再生能源的使用，但由于制造过程中不可避免地仍有一定程度消耗高碳排放因子的能源。后续汽车制造业的发展应加大对清洁能源的开发使用，使能源消费结构中清洁能源所占的比重逐步增加，从而抑制行业的碳排放量增加。能源强度与投资强度相似整体上对该行业的碳排放呈现抑制作用且贡献率较小。能源强度越高则能源效率就越低，单位产值所消耗的能源就越多，二氧化碳排放量就越多。2012—2021年，我国汽车制造业的能源强度呈现先降低后升高的U型趋势，但相对于2012年，2021年的能源强度仍为下降状态，也意味着能源利用效率的提高对于汽车制造业的减碳发展有一定的作用，在未来研发中也应保持能源强度下降趋势，使单位汽车生产消耗更少的能源。

固定投资额对碳排放的影响则是由促进碳排放转为抑制碳排放。汽车制造业的蓬勃发展离不开投资，投资额的增加为行业创新发展注入更高力量，如今随着低碳发展已成为各行业的大势所趋，面对投资方的压力及消费者对低碳产品的偏好，汽车制造业的减碳也迫在眉睫，创新设计对企业的可持续发展也愈发重要。于是，各企业更加注重对于节能产品的研发及使用，固定投资额对行业二氧化碳排放量的促进作用也逐渐减小，甚至转变为抑制碳排放的因素。投资碳强度在2018年由抑制碳排放转变为促进碳排放，固定投资额越高，汽车制造业的碳排放量也将越来越多。

3.3 汽车制造业碳排放驱动因素累积贡献分析

为了更清晰的反映2012—2021年我国汽车制造业各驱动因素对行业碳排放变化的影响，本文以2012年为基期，将各个驱动因素的贡献值逐年累计得到各驱动因素的累积效应值，其结果如图4所示。

从图中可以看出，2012—2021年我国汽车制造业碳排放量在个别年份出现波动，但整体呈现增长趋势，累积增加了3000万t。汽车制造业的能源消耗规模、营业收入和固定投资额的不断扩大是导致碳排放总量增加的主要原因，截止到2021年，累积贡献值分别为776万t、1405万t和236万t。营业收入在2013—2016年累计贡献增长较快，年均增长率达到38%。在“十二五”时期，我国汽车产业已具雏形，汽车产业的发展一片向好，同时也会带来一定的碳排放量增加。能源消耗在2013—2021年的累计贡献增长较快，年均增长率达21%。可以认为，该行业碳排放量的主要来源为能源的消耗。同时，能源消费碳强度的累积促进作用也较大，从2013年

开始逐年递增，到2021年累计增加了244万t二氧化碳的排放。随着汽车产业产业规模的扩大，该行业的固定投资额不断增加，用于节能技术的研发及改造等方面的投入也不断增加，到2021年，固定投资及投资碳强度分别增加了237万t和765万t二氧化碳排放量。其中，2012—2019年投资碳强度为降促效应，累积减少了409万t二氧化碳的排放，但自2019年后，投资碳强度对碳排放转为促进效应。营业收入碳强度在2012—2021年对二氧化碳排放量表现为负向抑制作用。营业收入碳强度在2012—2017年，其累积抑制的碳排放量达到868万t，2017年后累积减少的二氧化碳排放量逐年降低，到2021年共累积减少356万t。能源强度对汽车制造业二氧化碳排放量的增加表现为抑制作用，且为逐年递增的状态，到2021年累积减少了74万t碳排放量。投资强度对碳排放量增加表现为抑制作用，且在2019年前其抑制作用较为微弱，2020年是其累积促进碳排放量的最大值671万t。

4 结论与建议

4.1 结论

在2012—2021年，我国汽车制造业的二氧化碳排放量总体上呈现逐年递增的趋势，未实现行业碳达峰，且间接碳排放量大于直接碳排放量，差值逐渐增大。在影响行业二氧化碳排放的因素中，营业收入、能源消耗规模、能源消耗碳强度是促进二氧化碳排放的主要因素；投资强度和能源强度有一定的抑制作用，营业收入碳强度及投资碳强度均为先抑制后促进的作用。其中，营业收入碳强度累积呈现一定的抑制作用而投资碳强度则累积呈现促进作用；固定投资对碳排放的影响与之相反，呈现先促进后抑制的作用。

4.2 建议

（1）提升能源效率。对于处于发展中国家的中国来说，经济发展仍处于核心地位，未来汽车制造业仍面临扩大产业规模和市场的趋势。然而目前我国汽车制造业的能源效率不高，并且对煤炭、石油等非清洁能源仍有依赖，与国际先进水平相比，能源效率仍存在一定的差距。因此在未来发展中，应优化能源结构，增加清洁能源的比重，减少高耗能、高污染能源的消耗；加强节能管理，制定合理的能源消耗标准，加强能源计量和统计，对各个环节的能源使用做好监管，及时发现和解决能源浪费的问题，确保能源的高效利用。

（2）政府引导创新方向。在没有政策干预的情况下，多数企业的研发方向往往会偏向于提高生产效率及扩大生产规模，偏离了经济与环境协调发展的路径。政府部门应出台相关政策，鼓励企业积极创新研发新节能技术、引进国内外先进工艺；制定激励政策，激励企业采用研发创新来逐步降低碳排放。

参考文献：

[1] Fuquan Z ，Xinglong L ，Haoyi Z ， et al.Automobile Industry under China’s Carbon Peaking and Carbon Neutrality Goals：Challenges， Opportunities， and Coping Strategies[J].Journal of Advanced Transportation，2022.

[2] Gao Z ，Geng Y ，Wu R ， et al.Analysis of energy-related CO2 emissions in China’s pharmaceutical industry and its driving forces[J].Journal of Cleaner Production，2019：22394-108.

[3] Shao S.Using an Extended LMDI Model to Explore Techno-Economic Drivers of Energy-Related Industrial CO2 Emission Changes[J].Renewable and Sustainable Energy Reviews， 2020.

[4] Akbostanci E ， Tunc G I ， Turut-Asik S .CO2 emissions of Turkish manufacturing industry：A decomposition analysis[J].Applied Energy， 2011， 88（6）：2273-2278.DOI：10.1016/j.apenergy，2010（12）：076.

[5] .Lin B ，Ahmad I .Analysis of energy related carbon dioxide emission and reduction potential in Pakistan[J].Journal of Cleaner Production，2016：143278-287.

[6] 李春香.湖北工业碳排放省际比较及因素分解分析[J].湖北社会科学，2013，（12）：78-80.DOI：10.13660/j.cnki.42-1112/c.014238.

[7] 陈锋，张晶，任娇，等.基于LMDI模型的黄河流域碳排放时空差异及影响因素研究[J].地球环境学报，2022，13（4）：418-427.

[8] Vaninsky A .Economic Factorial Analysis of CO2 Emissions： The Divisia Index with Interconnected Factors Approach[J].World Academy of Science， Engineering and Technology， International Journal of Social， Behavioral， Educational， Economic， Business and Industrial Engineering， 2013（7）：2772-2777.

[9] Alexander V .Factorial decomposition of COinf loc=post2/inf emissions： A generalized Divisia index approach[J].Energy Economics，2014：45389-400.

[10] Yan Q ， Yin J ， Wan Y .Regional differences in carbon emission factors in China-a study based on generalized divisia index method[J].Boletin Tecnico/technical Bulletin， 2017， 55（12）：541-549.

[11] Yisheng L ，Meng Y ，Feiyu C ， et al.Analysis of regional differences and decomposition of carbon emissions in China based on generalized divisia index method[J].Energy，2022：256.

[12] 邵帅，张曦，赵兴荣.中国制造业碳排放的经验分解与达峰路径——广义迪氏指数分解和动态情景分析[J].中国工业经济， 2017（3）：20.

[13] 王航星，董洪光，罗涛.安徽省工业碳排放影响因素分解及脱钩研究[J].荆楚理工学院学报， 2022， 37（6）：48-55.

[14] 刘明达，蒙吉军，刘碧寒.国内外碳排放核算方法研究进展[J].热带地理， 2014， 34（2）：248-258.

[15] WRI，WBCSD.The Greenhouse Gas Protocol： A Corporate Accounting and Reporting Standard[M].World Business Council for Sustainable Development， World Resources Institute，2004.

[16] Org W M ，Professor Strachan.Intergovernmental Panel on Climate Change （IPCC. [J].United Nations， 2007， 114（D14）：48–56.

[17] Parisa J ，Bijan Y ，Maryam A ， et al.Energy assessment and greenhouse gas predictions in the automotive manufacturing industry in Iran[J].Sustainable Production and Consumption，2021：26316-330.

[18] Vera P ，Cristina S .The financial impact of carbon risk and mitigation strategies： Insights from the automotive industry[J].Journal of Cleaner Production，2022（344）.

Research on Driving Factors of Carbon Emission in Chinese Automobile Manufacturing Industry

HAO Ya-xing， WANG Jian

（College of Environmental and Safety Engineering， Fuzhou University， Fuzhou Fujian 350100，China）

Abstract： Taking China's automobile manufacturing industry as the research target， this paper used the carbon emission factor method to measure the carbon emissions of China's automobile manufacturing industry from 2012 to 2021， and the generalized Divisia index decomposition method to decompose and analyze the carbon emission driving factors such as operating income， energy consumption and investment scale as well. The results showed that the carbon emissions of China's automobile manufacturing industry showed an increasing state as a whole from 2012 to 2021， and the carbon emissions of the industry did not reach the peak. The operating income， energy consumption scale and carbon intensity of energy consumption in the automobile manufacturing industry indicated a strong promotion effect. Investment intensity and energy intensity were the main factors to inhibit carbon dioxide emissions， and the carbon intensity of operating income and investment carbon intensity were both inhibited first and then promoted. Based on the research， it was proposed that the government should guide the direction of innovation， and enterprises should increase innovation and research and development to improve energy efficiency.

Key words： automobile manufacturing; carbon emissions; driving factors; generalized Divisia index decomposition method

作者简介：郝亚星（1999- ），女，河南许昌人，福州大学环境工程专业研究生在读，主要从事低碳发展相关研究。