中国生活能源消费的典型污染物排放及驱动因素研究

陈菡+於世为

摘要 家庭能源消费在我国碳减排战略中的地位日益突出，但作为改善室内外大气污染和人群健康的重要抓手，其全面评估和系统对策却仍十分缺乏。为此，本文以PM2.5、SO2和NOx这3种决定雾霾形成的关键污染物为研究对象，建立1992—2014年我国城乡居民生活部门的排放清单。在此基础上利用对数平均迪氏分解（LMDI）模型分别对全国排放总量的动态变化和各省人均排放的空间差异进行驱动因素分析，从家庭（收入、消费意愿和能耗开支）、社会（能源价格和城市化率）和技术（排放因子）不同层面识别居民生活用能影响大气污染物排放的短板所在。结果显示：①22年间PM2.5的减排量有限，SO2和NOx的排放量分别增加12.5%和122.7%。城市居民的人均排放降幅明显，而农村居民2012年3种污染物人均排放为前者的1.2—8.2倍，仍面临很高的暴露风险。②人均排放高值区集中在华北和东北，北京、四川、重庆、江苏和福建的农村排放突出，而新疆和黑龙江的城市SO2和NOx排放水平高于农村，表现出较明显的城乡差异。③家庭收入和能源平均价格分别是排放的最主要正向和负向驱动力，人口的增排作用不断下降而城市化率和排放因子的减排效应日益明显。城市生活排放的价格弹性相较于农村排放更明显，而后者对收入变化更敏感。④城乡协同减排需要厘清多污染物的减排侧重点并体现区域特征。本文根据决定排放空间差异的主导因素将各省农村和城市各自划分为清洁均衡型、能源价格主导型和高污染型等6种类型，并从优化能源消费结构和生活用能价格体系、提高用能效率和农民收入等多方面提出针对性减排建议。

关键词 生活能源；污染物排放；LMDI模型；驱动因素；减排策略

中图分类号 X196 文献标识码 A 文章编号 1002-2104（2017）12-0040-12 DOI：10.12062/cpre.20170512

面对《巴黎协定》我国的自主减排承诺，节能已成为全社会各部门的共识并集中体现在《能源发展“十三五”规划》中。生产部门一直是落实总量和强度控制的重点，就其产业规划布局和低碳发展路径都有相当丰富的研究成果[1]。而生活部门的能源消费仅次于工业，作为居民进行采暖、炊事和照明等一系列日常活动的基本保证，在全国终端用能中占11.6%。随着后工业化进程中城市发展和居民生活水平的不断提升，预计人均生活能源消费量将以约2.5%的年平均增长率保持上升[2]，建筑节能正成为减缓排放的新抓手。然而，长期以来我国并未将家庭能源消费纳入严格的环境管理体系内，存在着过于依赖缺乏宣传教育和补贴、指导效果不明显等问题[3]。环保部于2015年颁布了《民用煤燃烧污染综合治理技术指南（试行）》，特别强调了散煤使用对污染物排放总量和局地空气质量不可忽视的负面影响。同时，农村清洁能源比例虽有所提高但步伐缓慢，低品低效传统燃料的使用造成的严重室内污染亟待改善[4]。因此，很有必要从大气污染物排放的视角探讨民用能源建设的着力点。

1 文献梳理

作为家庭能源消费的直接后果，CO2等温室气体和其他大气污染物的排放虽具有一定同源性，但在产生机理和控制措施上都存在较大差异。借助化石燃料的消耗统计数据和投入产出分析即可对前者的直接排放和内涵排放进行核算，且很少有研究对生活用能的另一重要组成部分——生物质排放进行专门探讨。然而在我国广大农村及城乡结合地区，超过一半的废弃农作物以粗放形式被用于直接燃烧供能，造成的一次气溶胶排放占全国总量的15%—40%[5]。近年来全国各地频发的雾霾污染事件引起了公众和学界的广泛关注，使得民用燃料的分散燃烧对室内外空气质量和人群健康的负面影响受到了空前的重视。Li等发现贵州等欠发达省份的家庭固体燃料排放量占比远高于上海等地，并指出社会经济发展对生活排放影响方面的还很不足[6]。Zhang and Smith[7]将涉及到我国室内生活燃料污染和健康效应的个案研究进行汇总，认为2007年我国居民用能排放导致42万过早死亡数，但该数值在快速下降。即使在挪威等北欧发达国家，木材仍然是城市居民的重要供暖能源，其污染物排放不容忽视且不确定性也很高[8]。即便如此，鉴于在排放基础数据的搜集和统一清单体系的建立等方面的难度，生活部门的SO2、NOx和烟粉尘等代表性污染物的排放研究在深度和广度上仍然远不及CO2等温室气体。

家庭为满足日常活动而消费的能源以及各能源类型的排放特征是生活部门大气污染物排放的根源。对于能源消费而言，其影响因素可大致分为社会经济条件、自然地理气候条件、行为习惯和政策四方面。Hass[9]根据生活能源消费提供的终端服务类型将民用能耗归纳为代表性指标的金字塔体系，且大部分驱动力归属于人口、气候、技术、生活方式和结构五大因素。其他间接影响因子包括经济水平和个体特征等，前者的非直接驱动作用最突出。OECD的研究指出收入水平的提高一方面带动了能源消费，另一方面则有助于居民消费结构和整体能源結构的低碳化，即通过影响生活方式而作用于能源使用效率[10]。Acho and Schaeffer[11]还探讨了发展中国家的能源政策对家庭电力普及、能源效率提高的直接和间接作用。各种能源的使用技术和排放特征是污染物排放的另一重要驱动力，例如Shen等[12]指出市场发展和财政支持是居民选择清洁燃料和炉灶的重要影响因素，而能源价格可通过抑制用能选择和强度[13]，从而间接作用于上述三个因素。同时，污染物排放带来的生活环境质量下降也会对社会综合经济发展产生负面效应。气候、地理和资源禀赋等自然环境因素则在很大程度上决定了排放的空间异质性。在研究方法上，Fumo等[14]和Zhang等[15]分别从统计回归和因素分解两个角度归纳了影响因子的常见分析方法，包括STIRPAT宏观分析模型、面板回归计量和分解分析等。国内学者还将两种方法结合以适应我国实际情况，并在城市化、人口密度、政策影响和协整分析中得到了充分应用。近年来分解分析法被广泛应用于家庭碳排放动态变化的内因研究，包括基于投入产出分析的结构分解（SDA）和基于Kaya恒等式的指数分解（IDA）模型[16]。Su and Ang[17]对近十年来使用两种方法的相关研究进行对比，认为IDA更适用于灵活分析直接效应，并指出对数迪氏分解（LMDI）在分解完全度、零值处理和因子数目限制上的优势。然而，除碳排放外，驱动力的定量研究在其他污染物排放上的拓展有限，一般集中于工业和贸易，或者是多部门综合分析。如Guan等[18]采用SDA法对我国1997—2010年一次PM2.5排放进行了环境投入产出分析，认为工业生产效率提升等技术进步效应对PM2.5的减排作用可抵消经济进步造成的排放增加。Lyu等[19]将污染物的种类范围扩大，利用LMDI法从部门角度探讨了排放强度和效率等五因素对国家排放总量变化的影响。Zhang等[20]以北京这一特大城市的多种污染物排放为研究对象，识别了高能耗工业部门和产业结构的关键影响。针对民用污染物排放的研究仅见于意大利[21]等个别发达国家。

基于以上文献评述，可知当前针对我国居民生活用能引起的污染物排放及其时空特征的研究较少，结合我国鲜明的地域和城乡差异而开展的多层次分析则未见报道，不利于有的放矢地开展民用能源、环境管理。因此，本文针对我国城市和农村生活能源消费建立了雾霾关键污染物种的（PM2.5、SO2和NOx）排放清单，并运用LMDI模型分别对国家级排放总量的时间动态和省级人均排放的空间差异进行驱动因素分解。与前人研究相比，本研究有以下深入和创新：第一，将一般生活能源的分解模型扩展到八因素，同时区分了化石燃料和电、热等商品能源和生物质非商品能源，并考虑了污染物排放因子的时空差异；第二，立足于城市化背景下城、乡居民的排放特征，从时间、空间和污染物类型上对排放驱动因子进行了多层次的系统分析，有助于明确城乡统筹规划、多污染物共减排的方向和途径；第三，依据排放空间差异的分解结果对各省区的城、乡污染类型进行划分，为生活部门节能降污的区域策略提供针对性建议。

2 研究方法

2.1 污染物排放量计算

污染物的排放量常采用排放因子法进行测算（公式（1））。生活能源包括一次能源（化石燃料和生物质）和二次能源（电、热），其排放因子的数据搜集和处理有以下几方面的说明：第一，电、热消耗的间接排放只考虑以化石能源为原料的排放。计算时根据火电厂的发电燃料结构和发电量确定发电效率，综合各燃料的电厂排放因子，最终以单位用电/热量排放的形式表示。第二，秸秆作为农

村家用燃料时的排放因子与主要农作物类型有关，结合农作物产量和草谷比等参数可估算其平均排放因子[22]。第三，考虑到技术水平的提高对电厂和家庭用车排放因子的影响较显著，而民用部门其他能源的排放并无标准和限值，且家用炉灶的改进情况缺乏数据，因此只考虑前两者的排放因子动态变化。第四，在进行排放量计算并与文献对比时，采用蒙特卡洛法估计不确定性。认为排放因子服从对数正态分布，生活能耗服从均匀分布，运行5 000次后以四分位数范围表示排放量的不确定性区间。分布参数选取见Shen等[23]。

2.3 数据来源与处理

2.3.1 能耗和其他社会经济数据

本文中城市和农村居民生活的商品能源消费数据来自于《中国能源统计年鉴》（1993—2015）[24]。生物质燃料包括秸秆、薪柴和沼气，前两者来自于《中国农业统计资料》（1993—2015）[25]《中国农村能源年鉴》（1997—2008）[26]《中国新能源与可再生能源年鉴》（2009）[27]，以及与仇焕广等[28]的研究结果整合。考虑到煤炭类型对污染物排放特征的影响，将煤炭分为块煤和蜂窝煤，具体方法参照Wang等[22]。城市居民的能源开支数据来自于《中国统计年鉴》，以“水电燃料及其他”条目中的现金消费表示[29]。农村居民的能源开支数据根据《中国农村住户调查年鉴》（1993—2010），并结合《中国统计年鉴》中“居民消费价格分类指数”整理得到。生活消费、城市居民人均可支配收入、农村居民人均纯收入以及城乡人口数量均来自于《中国统计年鉴》，都以1992年不变价格计算。

2.3.2 排放因子

由于民用各燃料的排放因子与燃料质量、燃烧条件和污染控制技术的实施等多种因素有关，且目前并没有相应的燃烧技术规范和强制标准，因此本文中的排放因子主要来自于《民用煤大气污染物排放清单编制技术指南》和国内文献搜集[30]，并以几何均值表示（表1）。此外，采用技术分类S曲线法对电热生产和机动车用油的排放因子进行动态处理，相关参数选取参考Shen等[23]，代表性年份的排放因子见表2。

3 结果分析

3.1 全国城乡居民生活用能排放的时间动态及驱动因素分析

3.1.1 生活能耗的演变

能源的使用是污染物排放的根本原因，对排放特征起决定性作用。1992—2014年我国居民生活用能总量和人均用量变化见图1。2000年以前居民能源消费总量保持平稳，城、乡人均能耗分别下降26.1%和5.3%。这可能是因为1995—2000年国家原煤产量有所缩减，尤其是受到亚洲金融危机的影响，我国暂停了一些地方电厂和煤矿的审批。22年间秸秆、薪柴和煤炭在农村居民用能中始终占据重要地位，但其供能比相比于1992年仍有15%的下降，取而代之的是电能、LPG和沼气；与散煤相比更加清洁的蜂窝煤的使用率也从2000年的13.5%持续上升至37%。但与日益多元均衡的城市居民用能格局相比，农村住户的人均商品能源用量虽以5%的增速逐步拉近与其之间的距离，但其中约60%为煤炭（2014年），即低品质、低成本和低效率的固体燃料仍然是导致广大农村家庭能耗水平居高不下的重要原因。

3.1.2 污染物排放量的演變

建立相对准确的排放清单是开展排放现状和控制研究的基础。为此将本文计算结果与已有文献中生活部门排放进行对比，并采用蒙特卡洛法估计不确定性区间，结果见图2。需要注意的是，由于居民电力、热力消费引起的排放产生于火电厂发电，而非家庭所在地，所以已有的排放清单文献中“民用部门”排放不包括电、热这类二次能源使用造成的间接排放，因此仅比较一次能源使用造成的排放。比较结果显示了可接受偏差范围内较高的吻合度。

PM2.5、SO2和NOx城、乡排放总量及组成的动态变化见表2。对于PM2.5排放而言，农村地区经历了先下降后上升而后再下降的过程，但始终占据全国总排放的80%左右。这是因为煤炭作为低档燃料自2000年后迅速退出城市居民的生活，转而成为农村家庭最重要的商品能源。此后随着“十二五”期间农村居民能源建设的深化，颗粒物的减排成效逐渐显现，因此22年间其排放总量仅增长了9.1%。同时，城市居民的排放持续下降，但后期电力间接排放使得降幅变缓。对于SO2而言，城市和农村家庭排放量接近，都在前期的小幅下降后开始增长至2006年（225.6万t和205.8万t）。随后城市排放逐渐减少，农村排放的增速也放缓，但煤炭和电力消耗的同步增加使得其人均排放量仍难以下降。城、乡NOx排放在研究时间段内都持续增加，但前者更快的增速使得二者差距不断减小，最终2014年排放量分别达138.6万t和172.2万t，是1992年的4.0和1.7倍。其中固体燃料的排放占比由78.2%降至33.6%，而电、热等二次能源则增至49.2%，家庭交通用油更成为城市居民的第二大排放源。综上，居民直接能源消费活动产生的PM2.5在22年间的减排量比较有限，且基本得益于城市家庭的能源构成转变，农村居民的污染暴露量仍然很高。此外，需求端的电能替代并不能保证多种污染物的协同减排，需辅以电、热供给侧的配套改善才能有效控制生活用能的间接污染。因此，民用部门在节能和减排降污上仍存在很大潜力。

3.1.3 污染物排放时间变化的驱动因素分析

定量评估各因素对污染物排放的作用是设计减排方案的基础。为此，利用LMDI模型分解出各指标对3种污染物排放变动的贡献量（图3）。人均收入和能源消费强度（平均价格）分别是影响生活用能排放最重要的促进和抑制因素，其中SO2和NOx的排放更多受正向驱动作用，所以在研究时间段内都有不同程度的增长。而对于PM2.5 而言，这两种主导作用的部分抵消决定了其排放量变化较小。

在收入方面，1992—2014年我国城市和农村居民的人均收入分别提高4.6和3.9倍，由此引起的PM2.5、SO2和NOx排放增量分别为787.2、570.8和363.1万t。利用该排放增量值可进一步估算城、乡排放的收入弹性，结果显示城市NOx排放对收入的敏感度高于农村，而农村PM2.5和SO2排放受收入影响程度大于城市。结合各污染物的排放源贡献可知，该现象说明收入的提高使城市居民倾向于增加用电量以满足舒适度要求，而农村居民则以增加煤炭等固体商品燃料消费为主。

人口是仅次于收入水平的第二大排放驱动力，但其增长率由1992年的1.2%持续降至2014年的0.5%，即对民用排放的推动效应将进一步弱化。与人口相关的另一因素是城市化率，农村劳动力向城市的大批迁移造成用能强度的增加和生活方式的转变，对城市供能系统和大气环境质量都造成了相当大的压力。2014年城镇人口占比为54.8%，比1992年翻了近一番，因此该因素将加速城市污染物排放而降低农村排放。对于城市居民而言，该因素造成的PM2.5和SO2排放增量自1996年开始减缓并趋于稳定，但对NOx的排放促进作用却有所增强。说明城市化进程中公共资源更加充分合理的利用、高质高效燃料的普及可在一定程度上缓解能耗总量上升导致的PM2.5和SO2排放，但对NOx排放的抑制还并不明显。人口的流出对农村居民PM2.5、SO2和NOx的减排效应都逐年加强，22年间分别累积削减202.3、89.1和66.0万t。

能源消费强度表示单位能源支出所能获取的能量，即家庭能源平均价格的倒数。22年间能源平均价格在城市和农村分别上涨了4.1和1.0倍，一方面反映出商品能源比重的不断提高，另一方面则起到抑制能源消费的作用，且在各负向因子中具有最强的减排效应。3种污染物的城市排放价格弹性（-0.33，-0.42，-0.71）高于农村（-0.25，-0.26，-0.32），说明城市家庭对商品能源依赖程度普遍更高，因此能源消费和排放对价格的变动更加敏感。然而随时间推移该影响在不断减弱，这与城市居民逐渐稳定的用能结构和不断推进的水、电、气价格改革有关。

污染物的排放因子随技术进步和能耗结构优化而不断下降，是控制民用排放的重要因素，总体上对城市和农村减排总量的贡献分别为6.5%（PM2.5）、35.6%（SO2）和11.7%（PM2.5）、28.6%（SO2）。燃煤电厂烟气脱硫系统（FGD）的安装使用率从2000年的2.0%快速提高至2010年的85.8%[49]。因此相比于农村，电力消费水平更高的城市家庭的平均排放因子降幅更显著，尤其是PM2.5和SO2。但因脱硝工作的开展晚于脱硫，因此对NOx的减排效应相对较弱。

消费意愿以人均开支与收入的比值表示。研究期间内城市家庭的消费倾向逐年缓慢下降，使得PM2.5、SO2和NOx的排放量分别下降10.7%、17.8%和41.4%。消费意愿的减弱反映出消费者对经济环境的信心和消费动力不足。这主要是由于我国正处于深化改革阶段，地区、行业间的收入差距仍在增大，低收入人群的购买能力低而高收入人群的消费潜力并未被全面开发。工作和收入的不确定性使得居民更倾向于将收入用于储蓄和投资。农村家庭的消费意愿则经历了先降后升的过程，并从2004年起开始超越城市，说明广大农民在消费观念和消费能力上都有较大提升，导致3种污染物的减排效果（2.5%、3.6%和3.2%）低于城市。

消费结构以能耗开支在家庭总开支中所占比例表示。对于城市居民而言，燃料价格指数的增速高于同期的CPI，但随着收入和消费水平的提升，能源开支占比经初期的增长后自2004年开始下降，即对污染物排放的影响力在不断变弱，最终分别使PM2.5、SO2和NOx的总排放增加24.1、40.6和16.8万t。农村居民的消费结构在研究阶段前期对排放的影响为负值，且能源价格变幅小于城市；随着2004年之后燃料价格的较明显上涨，能源开销在生活费中所占比重显著提高，即正向影响逐渐凸显，所以最终并未使污染物排放量发生明显变化。

对于PM2.5一类以传统固体燃料不完全燃烧为主要排放源的污染物而言，能源消费结构的优化具有显著的减排效果。但由于农村家庭中生物质和燃煤的供能主体地位并未发生明显转变，该因素对农村排放量的影响力低于城市。对于SO2而言，城市地区煤炭用量削减的降排作用超过电力消费的正效应，因此造成5.2%的降幅；而农村家庭用电的显著增加使得该因素引起56.0%的增幅，对NOx排放的影响甚至高达60.8%。

3.2 城乡居民污染物排放强度的空间异质性分析

我国各地在地理气候、资源禀赋、社会经济发展条件和居民用能习惯上的差异充分反映在上述指标中，决定了居民用能及排放特征的空间异质性。鉴于目前却无法搜集到各省分能源类型的连续多年排放因子数据，分省的非商品燃料统计数据更是缺乏，本文以2013年（具有分省生活能耗年鉴统计数据的最近一年）为代表，估算我国30个省份（港澳台和西藏由于缺乏数据而未纳入统计范围）城市和农村居民3种污染物的人均排放量，并通过因素分解（此时影响因素为6个，不包括城市化率和人口）探明其空间格局差异的成因。

3.2.1 人均排放的空间分布

2013年各省城乡3种污染物的城、乡人均排放情况见表4。可见PM2.5的农村家庭排放水平远高于城市，而SO2和NOx的城、乡人均排放量基本可比。城市和農村3种污染物的排放强度高值区都主要集中于东北和华北，尤其是能源大省内蒙古。农村的排放热点更加分散并延伸到部分东部和南部省份，而城市生活用能的排放强度则呈现出较明显的北高南低、西高东低梯度特征。SO2的排放分布与煤炭资源较接近，而PM2.5和NOx还与农作物资源分布具有一致性。就城、乡差异而言，海南、四川、重庆等地的农村PM2.5人均排放与城市相比较突出，而北京、福建和江苏等发达地区的SO2和NOx排放也存在类似不均衡现象，反映出这些省份的城市作为核心功能区在家用清洁能源和电力生产达标排放上的优先性。与之相反的是，新疆和黑龙江的城市家庭人均SO2、NOx排放甚至高于农村，反映出前者对集中供热的普遍依赖造成的高能耗。此外，农村居民3种污染物的单位支出排放高达城市水平的数十倍，反映出其消费水平的不足和消费结构的高污染倾向。

3.2.2 排放强度的因素分解

以城、乡居民人均排放量的全国均值为基准，利用LMDI模型对全国7大区域与其之间的差异进行分解，各因子的相对贡献见图4。可见各指标对农村排放的影响与污染物和区域有关，因此协同减排的实现需在协调不同污染物减排重点的基础上充分体现区域特征。例如，相比于各因素贡献的绝对值之和，华北地区居民的消费结构对人均排放的影响占的33.3%—49.4%，以煤炭为主的用能结构对SO2的排放强度影响尤为突出。东北和西北、西南地区的改善重点都在于完善民用能源价格体系，但后两者还存在着收入水平偏低对清洁商品能源推进的阻碍。华中地区较重的能源开支负担在一定程度上（25.6%—38.0%）抑制了排放水平，但也对经济活力产生了一定的负面影响。

然而考虑到仅以地理分区为依据提出的区域生活污染物减排建议过于粗略，本文根据各指标对省际人均排放差异的贡献率进一步对30个省区进行聚类探讨。由上文分析可知，农村地区的PM2.5排放现状严峻，而城市居民则在SO2和NOx的排放上较突出，因此本文分别以PM2.5和SO2、NOx的排放特征作为各省农村和城市排放类型的划分依据，采用K均值法进行聚类（见表5），并提出对应的政策建议。

3.2.2.1 农村排放（PM2.5）的主导因素聚类

（1）均衡清洁型。集中在长三角和珠三角地区。特点是较高的家庭收入削弱了对传统固体燃料的依赖，促进了家庭供能系统的现代化。对这类经济较发达地区可进一步强化居民的节能意识，大力推广沼气、太阳能等可再生能源建设以及节能家电下乡。

（2）排放因子主导型。包括河南和湖南两个中部省份。特点是对商品和非商品能源的需求较平衡，因此能源均价对排放的影响较弱，取而代之的是排放因子。作为农业大省，河南的小麦产量和湖南的水稻产量分别占其2014年粮食总产量的58.4%和92.7%，因此河南需加速秸秆转化加工技术的应用以降低综合排放因子，而湖南的低人均排放在很大程度上是由农民较低的收入造成的，能源扶贫是改善其环境和经济条件的有效举措。

（3）能源价格和消费结构主导型I。包括京津冀地区以及山东和新疆。这些地区的农村家庭人均商品能源用量较高，例如华北地区和山东的农村生活人均耗电量比全国均值高52%，前者的煤炭供能占比更高达全国平均水平的2.68倍，能源价格和能耗开支占比都较高。因此改善重点在于通过降低能耗缓解居民用能负担。建议一方面严控散煤燃烧，另一方面通过推广高效家用炉具等方式切实提高供能效率，并在条件较好的地区结合补贴扩大煤改电/气和组合采暖等方式的应用。

（4）能源价格和消费结构主导型II。包括中西部大部分粮食主产省区。这些地区农作物残余被大量用作廉价能源直接燃烧，因此能源均价偏低，能源消费负担不重。

以湖北为例，虽然较低的能源开销使其人均PM2.5排放比全国均值低48.7%，但同时偏低的能源平均价又造成68.2%的增量，因此减排重点在于提高商品能源普及率。建议一方面加强农村电网改造、液化气服务站等基础设施建设力度，另一方面加大对生物质成型燃料锅炉供热、秸秆沼气生产等技术的扶持，从而实现家庭能源的商品化和清潔化。

（5）高污染型I。涵盖大部分西北省份以及山西和贵州。此类地区多为资源型省份，经济状况在全国处于下游水平，居民的消费能力不足但煤炭和生物质燃料的使用水平都较高。因此减排初期以限制散煤为主，同时补贴清洁炉灶和优质煤。之后要加快对农村太阳能、沼气、小水电等替代能源的开发和投资力度，打破煤炭的优势地位。

（6）高污染型Ⅱ。包含东北三省。传统生物质的供能份额高达80%左右，人均麦秆燃烧量是全国平均水平的1.5倍，因此家用能源价格偏低是造成高污染的首要原因。一方面要充分利用其自然资源优势推动生物质能的有效清洁利用，另一方面需利用其农村家庭的收入相对优势推广节能炕/炉和沼气、电力供热，从而提高采暖效率，实现人均能耗的进一步下降。

3.2.2.2 城市排放（SO2和NOx）的主导因素聚类

（1）均衡清洁型。包括华东大部分省份以及北京、天津和海南。大部分地区人均收入高于全国均值，较高的城市化水平使得居民消费能力强、清洁燃料覆盖度高。电热生产企业排放标准严格、末端处理和技术创新水平较高。但同时人均用电和家用车油耗也显著高于其他地区。海南虽然发展水平不及此类别其他省市，但作为地处热带、缺乏煤炭资源的旅游观光海岛，对化石燃料依赖较小，发电结构相对均衡。建议打造节能社区、控制私家车数量并鼓励使用新能源汽车。

（2）能源价格主导型。包括广西、江西和湖南。收入和消费水平较低，但能源平均价格却显著高于其他同等发展层次的省市。人均电力和煤炭用量比全国均值低10.5%和51.2%，因此排放强度不高。然而考虑到这种被动式减排引起的经济负担会在一定程度上造成能源贫困，从而影响居民生活质量，因此建议采用错峰用电、分时段计价等方式，在保持或适当下调当前价格的基础上注重能效提升。还需加强对节能建筑和低碳社区的投入，通过提高收入和绿色消费意愿促进主动减排。

（3）排放因子和能耗结构主导型I。四川、重庆和青海作为我国西部重要的能源战略地区，天然气储量丰富且价格相对较低，在城市居民的日常用能中约占62%。社会发展水平还有待提高，减排技术仍然是制约其城市居民人均排放进一步下降的短板。尤其是四川和重庆，火电的SO2平均排放因子（5.97g/kwh）约为全国平均水平的2倍。因此，在电力供给侧，需加强企业的末端处理技术，同时提高水电、光伏、风电等可再生电力在居民用电结构中占比；在电力需求端，通过阶梯电价等方式抑制过度消费、鼓励使用高能效电器。

（4）排放因子和能耗结构主导型II。包括中部的河南、湖北两省及西部的贵州、云南和陕西省。特点是相对落后的经济发展水平不利于先进治理措施的投资、引入和实施。此外在清洁能源资源禀赋上的劣势一方面使得散煤燃烧更多，另一方面导致煤电的市场份额大，特别是在贵州、河南和陕西这样的富煤省份。建议立足于家庭能源消费结构的优化，淘汰劣质煤，并从管网铺设等基础设施建设和燃气补贴等方面大力推进天然气入户。同时提高电力行业排放标准并保证除尘脱硫脱硝的严格落实。

（5）高污染型I。包括河北、山西、甘肃和东北三省。人均煤炭、柴油能耗量大，同时电、热需求量大但控排力度不足。能源价格虽偏低，但不合理的能源结构仍造成该类型城市居民一定的经济负担。改善重点是在降低居民用能成本的基础上限制散煤燃烧，即通过完善补贴机制推动燃煤的清洁能源改造、提升煤质和油品，同时通过产业绿色升级提高居民收入。

（6）高污染型Ⅱ。集中在华北和西北地区。该类型省份的主要污染源是集中供热导致的间接排放，家用能源平均价格显著低于其他北方省份，因此开支负担并不重。建议适当减少对居民供暖补贴，以公平和节能为原则建立健全居民用电用热的价格机制，并通过余热利用、供热管网改造等措施提高供热效率。

4 结论与讨论

4.1 结论

当前我国居民的直接生活能源消费在总量上快速增加但在质量和结构上仍存在明显短板，导致的大气污染物排放对区域空气质量的影响日趋显著，存在较大的节能减排空间。在“十三五”期间关于开展城乡住户散煤治理、加速发展农村可再生能源等一系列重大规划的背景下，本文核算了1992—2014年我国城、乡居民直接生活用能引起的PM2.5、SO2和NOx排放的变化趋势，从时间和空间、城市和农村，以及国家和区域等不同层面，以效应分解的视角定量识别排放驱动力，以期为提高生活部门大气污染排放治理政策的有效性和科学性提供参考依据。主要结论如下：

（1）1992—2014年我国城乡居民直接用能导致的PM2.5排放量中超过80%来自于农村传统固体燃料燃烧，22年间仅下降5.2%，且主要减排贡献来自城市；SO2和NOx排放量分别增加28.7和175.9万t。华北和东北地区3种污染物的人均排放分别是全国均值的1.7、2.5和2.3倍，是未来生活供能系统改造的重点。农村居民的排放强度远高于城市，能源和消费结构亟待改善。

（2）基于LMDI模型将城、乡居民生活用能的大气污染物排放量变化分解为排放因子、能耗结构、能源消费强度（平均价格）、消费结构、消费意愿、人均收入、城市化率和总人口8个因素。其中人均收入和能源平均价格是首要驱动因素，在22年间使得PM2.5、SO2和NOx排放量累积改变787.2、570.8、363.2万t和-425.7、-404.6、-192.6万t。其中城市生活排放的价格弹性相较于农村排放更明显，而后者对收入变化更敏感。人口数量的正影响不断削弱。城市化率在增加城市居民排放量的同时减少了农村排放，促进了城市要素的集聚和用能方式的高效清洁转变，因此总体减排效应日益突出。消费结构的升级有助于同时提高环境和生活质量，需配合居民增收和能效提升；消费意愿的不足虽然使得3种污染物的排放下降2.4%—9.1%，但并不利于长期可持续减排。排放因子和能耗结构的影响与污染物类型有关，对于PM2.5可通过炉灶的改进和燃料的清洁化利用降低其排放因子，而在今后以商品能源为主的能源结构下，NOx的排放量仍将持续一段时间的增长。

（3）我国城、乡居民生活用能的污染物排放存在明显地域差异。分别依据各影响因素对乡村PM2.5人均排放，以及城市SO2和NOx人均排放空间差异的贡献，对各省进行污染类型聚类并提出针对性减排建议。城市和农村地区可被分别归为清洁均衡型、能源价格主导型和高污染型等六种类型，减排政策的制定和實施需根据主导因素类型因地制宜。总体上在经济欠发达地区以政府补贴、降低清洁能源使用成本为主，结合能源扶贫优化能源需求结构；在经济较发达地区以提高能源利用率为主，可深入推广节能家电，提高沼气和分布式发电等可再生能源的使用率和认可度，提高自主节能减排意识。

4.2 讨论

已有的污染物减排研究大多以工业和贸易等经济部门或多部门整体为研究对象，并直接使用《中国环境统计年鉴》的排放数据进行分析。本文则立足于居民生活部门，在建立城、乡能源消费和3种雾霾关键污染物排放清单的基础上，从国家和省域角度分别分析排放总量动态变化和人均排放空间差异的作用因素，从而为科学评估并实现《大气污染防治行动计划》中民用源的减排奠定基础。然而，由于LMDI方法和数据连续性、可得性方面的限制，本文在研究深度上还可以从以下两方面进行拓展：第一，结合国内相关研究组的家庭能源调查和污染物排放因子的实地测量结果，尽可能构建省级多年排放的面板数据，继而构建空间计量模型进行空间相关分析和排放弹性系数估计，深化因素分解分析的理论价值。第二，结合结构分解（SDA）和投入产出分析计算内涵污染物排放，将居民生活的间接排放考虑入内，从而从完全排放的角度探讨居民类型及其消费结构对污染的影响。

参考文献（References）

[1]CHEN Y C， SHENG F， LIUW J， et al. Field measurement and estimate of gaseous and particle pollutant emissions from cooking and space heating processes in rural households， northern China[J]. Atmospheric environment， 2016， 125， Part A： 265-271.

[2]张晓娣. 增长、就业及减排目标约束下的产业结构优化研究[J].中国人口·资源与环境， 2014，24（5）： 57-65.[ZHANG Xiaodi. Optimal industrial structure with carbon emission， GDP growth and employment targets[J]. China population， resources and environ-ment， 2014， 24（5）： 57-65.]

[3]樊杰， 李平星. 基于城市化的中国能源消费前景分析及对碳排放的相关思考[J].地球科学进展， 2011， 26（1）：57-65.[FAN Jie， LI Pingxing. Analysis on the future energy consumption and preliminary discussion on carbon emission of China from the perspective of urbanization[J]. Advances in earth science， 2011， 26（1）： 57-65.]

[4]崔一瀾，刘毅，诸葛承祥. 城市居民生活能源消费研究进展综述[J]. 中国人口·资源与环境，2016，26（12）： 117-124.[CUI Yilan， LIU Yi， ZHUGE Chengxiang. Review of studies on energy consumption of urban households[J]. China population， resources and environment， 2016， 26（12）： 117-124.]

[5]LEI Y， ZHANG Q， HE K B， et al. Primary anthropogenic aerosol emission trends for China， 1990-2005[J]. Atmospheric chemistry and physics， 2011， 11（3）： 931-954.

[6]LI J B， HUANG X， YANG H， et al. Situation and determinants of household carbon emissions in Northwest China[J]. Habitat international， 2016， 51： 178-187.

[7]ZHANG J J， SMITH K R. Household air pollution from coal and biomass fuels in China： measurements， health impacts， and interventions[J].Environmental health perspectives， 2007， 115（6）： 848-55.

[8]LPEZ-APARICIO S， GUEVARA M， THUNIS P， et al. Assessment of discrepancies between bottom-up and regional emission inventories in Norwegian urban areas[J]. Atmospheric environment， 2017， 154： 285-296.

[9]HAAS R. Energy efficiency indicators in the residential sector[J]. Energy policy， 1997， 25（7）： 789-802.

[10]Organization for Economic Co-operation and Development （OECD）. Household behavior and the environment： reviewing the evidence （2008b）[R]. Paris： OECD， 2008.

[11]ACHO C， SCHAEFFER R. Decomposition analysis of the variations in residential electricity consumption in Brazil for the 1980-2007 period： measuring the activity， intensity and structure effects[J]. Energy policy， 2009， 37（12）： 5208-5220.

[12]SHEN G F， LIN W W， CHEN Y C， et al. Factors influencing the adoption and sustainable use of clean fuels and cookstoves in China-a Chinese literature review[J]. Renewable and sustainable energy reviews， 2015， 51： 741-750.

[13]MIAO L. Examining the impact factors of urban residential energy consumption and CO2 emissions in China： evidence from city-level data[J]. Ecological indicators， 2017， 73： 29-37.

[14]FUMO N， RAFE B M A. Regression analysis for prediction of residential energy consumption[J]. Renewable and sustainable energy reviews， 2015， 47： 332-343.

[15]ZHANG M， GUO F Y. Analysis of rural residential commercial energy consumption in China[J]. Energy， 2013， 52： 222-229.

[16]ZHANG M，SONG Y， LI P， et al. Study on affecting factors of residential energy consumption in urban and rural Jiangsu[J]. Renewable and sustainable energy reviews， 2016， 53： 330-337.

[17]SU B， ANG B W. Multi-region comparisons of emission performance： The structural decomposition analysis approach[J]. Ecological indicators， 2016， 67： 78-87.

[18]GUAN D B， SU X， ZHANG Q， et al. The socioeconomic drivers of Chinas primary PM2.5 emissions[J]. Environmental research letters， 2014， 9（2）.

[19]LYU W， LI Y， GUAN D B， et al. Driving forces of Chinese primary air pollution emissions： an index decomposition analysis[J]. Journal of cleaner production， 2016， 133： 136-144.

[20]ZHANG Y， WANG H， LIANG S， et al. A dual strategy for controlling energy consumption and air pollution in Chinas metropolis of Beijing[J]. Energy， 2015， 81： 294-303.

[21]CELLURA M， LONGO S， MISTRETTA M. Application of the structural decomposition analysis to assess the indirect energy consumption and air emission changes related to Italian households consumption[J]. Renewable and sustainable energy reviews， 2012， 16（2）： 1135-1145.

[22]WANG R， TAO S， WANG W T， et al. Black carbon emissions in China from 1949 to 2050[J]. Environmental science & technology， 2012， 46（14）： 7595-7603.

[23]SHEN H Z， TAO S， WANG R， et al. Global time trends in PAH emissions from motor vehicles[J]. Atmospheric environment， 2011， 45（12）： 2067-2073.

[24]國家统计局能源统计司. 中国能源统计年鉴（1993-2013）[M]. 北京： 中国统计出版社， 1993-2013.[Department of Energy Statistics， National Bureau of Statistics of China. China energy statistics yearbook （1993-2013）[M]. Beijing： China Statistics Press， 1993-2013.]

[25]中华人民共和国农业部. 中国农业统计资料（1993-2013）[M]. 北京： 中国农业出版社， 1993-2013.[The Ministry of Agriculture of the Peoples Republic of China. China agriculture statistical report （1993-2013）[M]. Beijing： China Agriculture Press， 1993-2013.]

[26]农业部科技教育司. 中国农村能源年鉴（1997-2008）[M]. 北京： 中国农业出版社， 1997-2008.[The Ministry of Agriculture， Department of Scientific Education. China rural energy statistics yearbook （1997-2008）[M]. Beijing： China Agriculture Press， 1997-2008.]

[27]中国可再生能源协会. 中国新能源与可再生能源年鉴（2009）[M]. 北京： 中国可再生能源协会， 2009.[Chinese Renewable Energy Industry Association. China new energy and renewable energy yearbook （2009）[M]. Beijing： Chinese Renewable Energy Industry Association， 2009.]

[28]仇焕广， 严健标， 江颖， 等. 中国农村可再生能源消费现状及影响因素分析[J].北京理工大学学报（社会科学版）， 2015， 17（3）： 10-15.[QIU Huanguang， YAN Jianbiao， JIANG Ying， et al.Renewable energy consumption in rural China： current situation and major driven factors[J]. Journal of Beijing Institute of Technology（social sciences edition）， 2015， 17（3）： 10-15.]

[29]中华人民共和国国家统计局. 中国统计年鉴（1993-2013）[M]. 北京： 中国统计出版社， 1993-2013.[National Bureau of Statistics of the Peoples Republic of China. China statistical yearbook （1993-2013）[M].Beijing： China Statistics Press， 1993-2013.]

[30]HUANG Y， SHEN H Z， CHEN H， et al. Quantification of global primary emissions of PM2.5， PM10， and TSP from combustion and industrial process sources[J]. Environmental science & technology， 2014， 48（23）： 13834-13843.