基于LMDI和系统聚类的电力行业碳排放影响因素分析

施应玲，余欣玥

（华北电力大学 经济与管理学院，北京 102206）

2020 年9 月，习近平主席在第七十五届联合国大会上提出了我国的“双碳”目标，表明了中国持续推进碳减排工作的决心，低碳发展也成为各行业发展的重要方向。电力行业作为直接使用一次能源的最大部门，2020年其碳排放量达到了45.8 亿吨，约占全国碳排放总量的40%[1]，且仍处于增长阶段，成为落实节能减排目标的重点领域[2-3]。为推动电力行业碳减排工作的进行，需明晰电力行业碳排放量的驱动因素和抑制因素，从源头抑制碳排放量的增长，这对制定适宜电力行业的碳减排规划具有重要意义。

目前已有不少学者采用不同方法针对电力行业碳排放及其影响因素进行了研究，ZHU 等[4]使用GDIM（广义迪氏指数）分解模型，在充分考虑经济、人口和能源消耗的情况下，对中国电力行业2000—2015 年的碳排放影响因素进行了分析；FENG 等[5]运用IO-SDA（投入产出结构分解分析）模型，剖析驱动电力行业二氧化碳排放的社会经济因素；俞佳轲[6]运用了STIRPAT 和SVAR 法构造电力行业碳排放分解模型，对我国电力行业碳排放强度的变化进行因素分解研究。

除上述研究中所用的研究方法及模型以外，常用于碳排放影响因素分析与研究的方法还有LMDI（对数平均迪氏指数）分解模型。与其他研究方法相比，LMDI 分解模型具有操作性强、适用性广、分解结果不包含残余项等优点[7]，已成为电力行业探索碳排放驱动因素的重要方法之一。冯雪松[8]采用LMDI 分解模型对我国电力行业碳排放影响因素进行了研究，发现电源结构效应、电力强度效应、能源转换效应对抑制碳排放量起到了积极作用；王天庆[9]采用LMDI 分解模型对安徽省电力行业排放量驱动因素进行了分解，认为电源结构效应是抑制碳排放的最主要原因；张咪[10]采用LMDI 分解模型对2005—2014 年京津冀地区电力碳排放驱动因素进行研究，结果表明经济规模效应和产业电耗强度效应分别为该地区电力碳排放最主要的正向和负向驱动因素；曹俊文等[11]采用LMDI 分解模型对2000—2015 年江西省电力行业碳排放变化的影响因素进行分解，发现起最大正向作用的是地区生产总值效应，起最大抑制作用的是火电燃料转化效应。

综上所述，目前利用LMDI 分解模型对我国电力行业碳排放驱动因素的研究要么针对全国范围要么针对某个省份进行分解和分析，缺少不同省份的对比分析，无法识别不同省份电力行业碳排放驱动因素的区别与共性。因此，本文采用LMDI 分解模型从国家层面和30个省份层面（不包含西藏及港澳台地区）对电力行业碳排放驱动因素进行分解与分析，确定关键影响因素，在此基础上对30 个省份进行聚类分析，研究不同类群的特征，分析之间的差异，研究成果对各省份制定因地制宜的电力减排政策具有参考意义。

1 研究方法及数据来源

1.1 电力行业碳排放核算模型

电力行业的碳排放主要来自火力发电过程中化石燃料的燃烧，本文参考政府间气候变化专门委员会（IPCC）的碳排放计算指南，根据公式（1）对电力行业碳排放量进行核算：

式中：E为电力行业碳排放总量，吨；i=1, 2, 3 表示煤炭、石油、天然气三类化石燃料类型；ECi为发电过程中能源i的消耗量，吨（以标煤计）；EFi为能源i的碳排放系数，数据来源于《2006 年IPCC 国家温室气体清单指南》，具体数值见表1。

表1 不同类型化石能源碳排放系数

1.2 电力行业碳排放LMDI分解模型

LMDI 分解模型以Kaya 恒等式为基础，Kaya 恒等式最初由日本学者Kaya 提出，用于阐述碳排放量与碳排放强度、能源消费强度、人均生产值以及人口总量之间的关系，后被广泛应用于各行各业的研究中。利用Kaya恒等式的恒等原理，对电力行业碳排放量进行如下分解：

式中：E表示电力行业碳排放总量，亿吨；Ei为火力发电中第i种化石燃料产生的碳排放量，亿吨；FCi为火力发电中第i种燃料消耗量，亿吨（以标煤计）；FC为火力发电中消耗的燃料总量，亿吨；FGC为火力发电量，亿千瓦时；GC为发电总量，亿千瓦时；EC为电力消费量，亿千瓦时；IG为工业生产总值，亿元；G为地区生产总值，亿元；P为人口总数，万人；表示燃料的碳排放系数；表示燃料消耗结构；表示火力发电燃料转化率；表示电源结构效应；表示发电用电比例效应；表示工业电耗强度；表示产业结构；表示经济发展水平。

由公式（2）可知，电力行业的碳排放量受到燃料碳排放系数、燃料消耗结构、火力发电燃料转化率、电源结构、发用电比例、工业电耗强度、产业结构、经济发展水平和人口总数这九个因素的影响，因此可将电力行业碳排放变化的总效应ΔE分解为燃料碳排放系数效应（ΔECF）、燃料消耗结构效应（ΔEFS）、火力发电燃料转化效应（ΔETE）、电源结构效应（ΔEPS），发用电比例效应（ΔEGR）、工业电耗强度效应（ΔEEI）、产业结构效应（ΔEIS）、经济发展效应（ΔEES）和人口总数效应（ΔEP）。燃料碳排放系数由燃料自身特性决定，通常不发生变化，因此可取ΔECF=0[11]。

假设E0和Et分别表示基期和第t期电力行业的碳排放量，以公式（1）为基础，通过取对数变化将电力碳排放的总变化量分解为各影响因素引起的碳排放量变化之和，公式如下：

其中：

其中：

利用公式（3）～（12）可算出各效应引起的电力行业碳排放变化量及贡献率，作为后续聚类分析的聚类变量选取依据。

1.3 系统聚类方法

为探究30 个省份电力碳排放影响因素之间的相似性与差异性，本文选用系统聚类算法，对30 个省份进行聚类分析。系统聚类算法是聚类分析中使用广泛的一种方法，相较于K 均值聚类方法而言，其优点是可以对案例进行聚类，且不需要提前设定类数K，可依据实际需求灵活分成不同的类数[12]。系统聚类算法根据聚类对象的不同分为R 型聚类和Q 型聚类，R 型聚类目的是对变量进行分类，Q 型聚类算法目的是对样本进行分类。本文目的对各省份进行聚类，因此选择系统聚类法中的Q 型聚类算法最为合适。

Q 型聚类算法基本步骤：①把每个样本单独归为一类，计算每两个类之间的距离；②把各类中距离最小的两类合并成一个新类；③重新计算新类与各旧类之间的距离；④重复②和③两步，直到所有样本都合并成一类。

1.4 数据来源

2006—2020 年国家及各省份发用电数据、生产总值数据、工业生产总值数据、人口数据均来自《中国统计年鉴》及各省份统计年鉴，电力行业化石能源消耗数据来源于《中国能源统计年鉴》中电力平衡表。考虑经济发展中价格变化的影响，生产总值和工业增加值均折算到2006 年不变价格。

2 电力行业碳排放影响因素分解与Q型聚类分析结果

2.1 全国范围分解结果

根据LMDI 模型对统计数据综合计算，得到2006—2020 年国家层面的电力行业碳排放响因素的逐年分解结果，如表2 所示，数值前正号代表驱动作用，负号代表抑制作用。

表2 2006—2020年全国电力行业影响因素分解结果单位：万吨

由表2 可知，电力行业碳排放量仅在2013—2015年呈下降趋势，其余年份均呈增长趋势。总体来说，2006—2020 年我国电力行业碳排放量呈增长趋势，累计增长了272 241.51 万吨。其中，燃料消耗结构效应、火力发电燃料转化效应、电源结构效应、发用电比例效应、工业电耗强度效应、产业结构效应均对电力行业碳排放的影响作用在不同阶段呈现不同效果，但总体均表现为抑制作用；经济发展效应和人口总数效应对电力行业碳排放增长始终起促进作用。

为从全过程视角对电力行业的碳排放影响因素进行分析，本文按照发电侧、输配侧、需求侧三方面对电力行业碳排放影响因素进行分类。发电侧影响因子包括燃料消耗结构、火电燃料转化率、电源结构；输配侧影响因子包括发用电比例；需求侧影响因子包括工业电耗强度、产业结构、经济发展、人口总数。表3 为各效应对全过程视角电力碳排放增长的贡献率，数值前面正号代表驱动作用，负号代表抑制作用。

表3 各效应对电力碳排放的贡献率

发电侧各影响因素的累计效应均对电力行业碳排放起抑制作用，且抑制效果自2013 年起较为明显。2013我国电力体制改革进入第三阶段，更加注重了电力顶层设计和可再生能源开发与应用[13]，从源头上减少了化石燃料消耗引起的碳排放。

输配侧影响作用通过我国发电与用电的占比来反映，2006—2020 年我国发用电比例效应对碳排放的影响贡献率处于小幅度波动状态，总体呈抑制作用，说明完善输配电网分布与推进电网建设，减少了线损电量，进而节省了不必要的化石能源投入。但该抑制作用效果并不明显，累计贡献率为-2.34%。

需求侧影响因素中，工业电耗强度效应和产业结构效应的累计效应均呈抑制作用，经济发展效应和人口总数效应的累计效应均呈促进作用。产业结构效应对电力行业碳排放的抑制作用最为明显，2006—2020 年我国第二产业占比由42.72%下降至37.82%，对电力行业碳排放的抑制作用逐渐明显，抑制贡献率最大的为2014—2015 年，2014 年是推进产业结构调整和转型升级的重要年，第三产业对经济贡献超过了第二产业，成为经济增长的主要动力。经济发展效应对电力行业碳排放的促进作用最为明显，贡献率最高的时期为2015—2016 年，达到了400.21%，贡献率较低的时期为2008—2009 年、2010—2011 年和2019—2020 年，次贷危机、欧债危机、新冠疫情分别于2007 年8 月、2009 年10 月和2020 年2 月爆发，引发了包括中国在内的全球经济增速放缓，而电力行业具有经济发展晴雨表的功能[7]，因此经济增速放缓首先引起电力消费增速下滑，从而导致电力生产及相应碳排放增速变缓。

从全过程的视角来看，电力行业自身发电侧和输配侧的发展均对碳排放起抑制作用，而需求侧的影响因素电力行业碳排放起双重作用，其中产业结构效应和经济发展效应分别为最主要的抑制因素和促进因素。

2.2 省际电力行业碳排放因素分解比较分析

我国各省之间的经济水平、资源条件、技术水平等发展特征各有差异，因此各省电力行业的碳排放量也呈现不同的变化趋势与特征，图1 为2006—2020 年30 个省份电力行业碳排放的变化情况。

图1 2006—2020年各省份电力行业碳排放量变化情况

图1 显示，2006—2020 年我国大部分省份电力行业碳排放呈增长趋势，仅有北京、四川、和云南的电力行业碳排放量累计效应为负值，其余27 个省份的电力行业碳排放均呈增长状态，其中增长率前三的省份为新疆、宁夏和内蒙古，增长率分别为717.63%、262.10%和213.78%。

为进一步明晰2006—2020 年引起各省电力行业碳排放变化的主要因素，利用LMDI 模型对各省电力行业的碳排放量进行分解，结果见图2。由于2020 年北京、四川和云南的电力行业碳排放量较2006 年均有所减少，因此该三省份的分解结果反映了各效应对电力碳排放减少的贡献程度，其余27 个省份的分解结果反映了各效应对电力碳排放增长的贡献程度，具体见图2。

图2 省域视角下电力行业碳排放变化分解结果

发电侧的燃料消耗结构效应、火电燃料转化效应和电源结构效应都反映了化石燃料消耗对碳排放的影响。近年来，发电行业在政策导向下逐步加快落后产能淘汰、技术提升、产能区位布局调整以及电源结构调整，因此发电侧三个因素对大部分省份电力碳排放均起抑制作用，少数省份其中一个因素起促进作用。辽宁、吉林、黑龙江、海南、四川、云南、青海、新疆分解结果中燃料消耗结构效应对碳排放起促进作用，促进效果最明显的为青海，贡献率为10.64%。青海发电装机以水电和新能源为主，且新能源装机不断增长，导致火电市场空间减小，而青海油电与气电的发电成本相对煤电较高[14]，因此近年来石油和天然气在火电燃料中的占比一度下降，而煤炭在火电燃料中的占比逐年增长，造成了电力行业碳排放量的增长。北京、湖北、广西分解结果中电源结构效应对电力行业碳排放起促进作用，促进效果最明显的为湖北，贡献率为35.41%。湖北的发电结构为火电和水电并举，但水力发电70%以上输往外省，湖北用电主要依靠火力发电，同时由于湖北水资源开发殆尽，因此自2017 年起发电增量主要来自火电，导致2006—2020 年湖北火力发电占比呈波动式变化，且2020 年湖北火力发电占比高于2006 年，对电力碳排放的累计作用为促进效果。

输配侧的发用电比例效应反映了各省电力生产与消费的自给能力，该因素对16 个省份碳排放起促进作用。图2 显示4 个省份碳排放起抑制作用，起促进和抑制作用最强的分别为云南和上海。云南处于我国“西电东送”南线通道上，是我国重要的电力输出省份之一，承担了一部分电力输入省份的碳排放量；上海电力自给率处于全国下游水平，对外省电力输入的依赖程度较高，且外省输入的电力越来越多，一定程度上减少了上海市电力行业碳排放量。

需求侧的工业电耗强度效应、产业结构效应、经济发展效应和人口总数效应从不同的需求角度反映了需求端对电力碳排放的影响。其中，工业电耗强度效应、产业结构效应主要从作为电力需求主力军的第二产业视角反映电力碳排放量的变化。如图2 所示，工业电耗强度效应对24 个省份电力碳排放起抑制作用，对内蒙古、辽宁、黑龙江、广西、海南、新疆这6 个省份电力碳排放起促进作用，产业结构效应对30 个省份电力碳排放的累计效果均为抑制作用，其中抑制效果最明显的为上海市，贡献率为-810.45%。经济发展效应和人口总数效应从地区经济及人口发展规模反映了电力碳排放量的变化，经济发展效应对所有省份碳排放量均呈促进作用，促进作用较强的省份为上海、黑龙江、河南、湖南、青海，累计贡献率均在500%以上；人口总数效应对25 个省份电力碳排放起促进作用，对内蒙古、辽宁、吉林、黑龙江、甘肃这5 个省份电力碳排放起抑制作用，这5 个省份人口增长率为负，一定程度上减弱了电力需求量，进而对电力碳排放起抑制作用。

2.3 省级聚类分析

由上述分析可知，各效应因素对不同地区电力行业碳排放的影响程度及驱动方向均有较大的不同，其部分原因是各地区电源结构、工业电耗强度等情况存在不同程度的差异。为进一步探究这些差异，并制定更有针对性的减排政策，有必要进行进一步的聚类分析。

根据全国范围分解结果显示，电力行业碳排放的主要抑制因素依次为产业结构、工业电耗强度、火电燃料转化率和电源结构。以2006—2020 年30 个省份这四个因素对电力行业碳排放的贡献率为聚类变量，数据经标准化处理之后，利用SPSS 软件进行系统聚类，得到区域聚类结果及各区域特征如图3 所示。

图3 各聚类区域分解结果雷达图

图3 反映了六个聚类区域以及主要抑制因素对电力行业碳排放的抑制率与全国平均抑制率的对比情况。由省际电力行业碳排放因素分解比较分析可知，全国大部分省市的电力碳排放抑制因素对碳排放变化的贡献率为负，且负值绝对值越高，说明抑制效果越好。通过将每个区域的平均抑制率与全国平均值进行对比，可对六个区域各效应的抑制效果进行评判。各效应抑制效果的界定标准：抑制率绝对值与全国平均绝对值之差大于10%，定为抑制效果较好；抑制率绝对值与全国平均绝对值之差在-10%～10%之内，定为抑制效果中等；抑制率绝对值与全国平均绝对值之差小于-10%，定为抑制效果较差。全国及聚类区域各效应平均贡献率如表4所示，聚类区域各效应抑制效果如表5 所示。

表4 2006—2020年聚类区域电力碳排放主要抑制因素平均贡献率

表5 聚类区域电力行业碳排放主要抑制因素的抑制效果

区域1 包括北京、河北、天津和辽宁，该区域火电燃料转化效应和产业结构效应对电力行业碳排放的抑制水平高于全国平均水平，且产业结构效应为最主要的抑制因素。京津冀地区为我国首都经济圈，辽宁为老工业基地省份，均已完成产业结构重心由第二产业向第三产业的转变[15-16]，减少了高耗能产业的电力消费量及相应碳排放量。该区域工业电耗强度效应对电力行业碳排放的抑制效果略差于全国平均水平，应注重工业经济发展的质量，提高工业设备用电效率，通过节能降耗以实现电力行业减排。

区域2 包括河南和湖南，该区域火电燃料转化效应和工业电耗强度效应对电力行业碳排放的抑制水平高于全国平均水平，且工业电耗强度效应为最主要的抑制因素，原因在于河南和湖南的农业比重高于工业比重，电力需求量的增加主要来自第一产业，导致工业电耗强度水平较低。该区域电源结构效应对电力碳排放的抑制贡献率仅为27.35%，抑制效果未达到全国平均水平，应持续发掘非化石能源的发电方式，提高风电、光伏等清洁能源电力装机占比。

区域3 包括四川、云南、青海，该区域火电燃料转化效应、电源结构效应、工业电耗强度效应对电力行业碳排放的抑制效果均好于全国平均水平，且电源结构效应的抑制效果在六个区域中最为明显。四川、云南、青海均是我国水力发电大省，水力发电比例持续增长，已突破80%，火力发电占比在全国范围内处于极低水平。该区域产业结构效应对电力碳排放的抑制效果较差，云南和青海的产业结构以第二产业为主，需进一步加快产业升级步伐，完成产业结构优化改造。

区域4 包括吉林、江苏、浙江、湖北、广东、重庆、贵州，该区域仅有工业电耗强度效应的抑制效果高于全国平均水平，火电燃料效应的抑制效果与全国水平相当，电源结构效应和产业结构效应的抑制效果都差于全国平均水平，湖北、重庆、贵州的产业结构效应和湖北的电源结构效应对电力碳排放的抑制作用应大力提升。

区域5 仅包括上海，其工业电耗强度效应和产业结构效应对电力行业碳排放的抑制效果高于全国平均水平，且抑制效果在六个区域中均最为明显，最主要抑制因素为产业结构效应，其贡献率为全国平均水平的8.95倍。上海作为我国经济中心，以第三产业为经济发展的支柱产业，且产业结构的调整步伐持续加快，高能耗、高污染、高风险的企业逐步被淘汰，工业内部结构也由低端传统向高端新兴化转型[17]，同时越来越多的上海工业产业开始往长三角其他地方转移，减少了重工业对电力需求的负担。上海火电燃料转化效应与电源结构效应的抑制效果略差于全国平均水平，仍有改进空间。

区域6 包括的省份最多，共有13 个，该区域火电燃料效应、电源结构效应、工业电耗强度和产业结构效应的抑制效果均不如全国平均水平，应是全国电力减排工作的重点关注区域。该区域工业电耗强度效应的抑制率与全国平均水平的差距最大，因此区域6 中的省份应加快陈旧工业设施退役和节能监管的力度，对能效未达标准的用电设备进行淘汰，同时应根据各省条件从提高火电燃料转化率、降低火电发电占比和优化产业结构三个方面降低电力行业碳排放量。

3 结论与建议

本文基于2006—2020 年全国及30 个省份的相关数据，利用LMDI 模型构建了电力行业碳排放影响因素分解模型，分别对国家层面和省级层面的电力行业碳排放影响因素进行分解，并利用系统聚类分析将各地区划分为六大区域，研究不同区域的特征及异同。结果发现：

（1）从全国层面的分解结果来看，抑制电力行业碳排放的主要因素依次为产业结构效应、工业电耗强度效应、电源结构效应、和火电燃料转化效应；促进电力行业碳排放的主要因素依次为经济发展效应和人口总数效应。目前，我国在控制电力碳排放上，基本上只局限于电力行业本身，而忽略外部需求对电力行业碳排放的影响。应适当减缓经济发展速度，重视经济发展带来的环境生态问题，及时调整和优化产业结构，注重工业发展的质量，同时在发电端持续发展清洁能源，提高能源的转化效率，实现绿色低碳电力的可持续发展。

（2）从省域层面的分解结果来看，经济发展效应对所有省份电力行业碳排放量均起促进作用，火电燃料转化效应和产业结构效应对所有省份电力行业碳排放量均起抑制作用，而燃料消耗结构效应、电源结构效应、发用电比例效应、工业电耗强度效应和人口总数效应在不同地区呈现出不同的作用。因此，政府在制定电力碳减排战略时，不能“一刀切”，需要充分考虑各地区的实际情况，充分研析各地区电力碳排放的影响因素，并且及时优化调整以适应不同的发展进程。

（3）从省域聚类结果来看，六大区域的电力碳排放主要抑制因素的作用效果及今后减排的重点方向不同。区域1 火电燃料转化效应和产业结构效应对电力行业碳排放的抑制效果较好，工业电耗强度的抑制效果较弱，应提高工业设备用电效率，通过节能降耗以实现电力减排；区域2 火电燃料转化效应和工业电耗强度效应对电力行业碳排放的抑制效果较好，电源结构效应抑制效果较弱，今后应侧重于发掘非化石能源的发电方式，提高风电、光伏等清洁能源电力装机占比；区域3 火电燃料转化效应、电源结构效应、工业电耗强度效应的抑制效果较好，产业结构效应的效果较弱，需进一步加快产业升级步伐，完成产业结构优化改造；区域4 工业电耗强度效应对电力行业碳排放的抑制效果较好，电源结构效应和产业结构效应的抑制效果均较差，尤其是湖北，应从降低火电占比和提高产业优化两方面加强电力碳排放的抑制效果；区域5 工业电耗强度效应和产业结构效应对电力行业碳排放的抑制效果较好，火电燃料转化效应与电源结构效应的抑制效果略差于全国平均水平，可从提高火力发电设备转化效率和降低火电占比两个方面进一步推进其对电力碳排放的抑制作用；区域6 火电燃料效应、电源结构效应、工业电耗强度和产业结构效应的抑制效果均未达到全国平均水平，应是今后电力减排工作重心，且该区域应着重提高工业用电效率，及时对工业用电设备进行升级，加快老旧设备的淘汰。