安徽省工业碳排放影响因素实证分析与预测

代大为 张凌

摘 要：根据安徽省工业2010—2019年相关能源消费量计算碳排放量，运用扩展的Kaya公式并结合LMDI模型对安徽省工业碳排放的影响因素进行定量分析，量化相关影响因素的贡献率。运用EGM（1，1）模型对安徽省工业未来10年（2020—2029年）碳排放量变化趋势进行预测。结果表明：劳动规模、经济产出和能源结构因素促进碳排放量的增长，产业结构、能源强度和碳排放强度因素会抑制碳排放量的增长，其中，经济产出因素的促进作用最为明显。另外，安徽省工业碳排放量未来10年仍然呈上漲趋势，但增长速度减缓。基于此，提出从经济产出与技术创新等方面优化能源结构，促进产业转型升级，降低安徽省工业碳排放量等建议。

关键词：工业碳排放;能源消费;LMDI;EGM（1，1）;安徽省

中图分类号：F062.2  文献标识码：A  文章编号：

1672-1101（2022）01-0030-08

收稿日期：2021-06-06

基金项目：2016年高校优秀拔尖人才培育资助项目：安徽省地方政府公共财政预算参与式预算研究（gxyqZD2016076）;安徽理工大学党的十九届六中全会精神研究阐释专项课题：双碳背景下安徽省碳排放评估与实现路径研究（sjjlzqh2021-15）

作者简介：代大为（1979-），男，安徽阜南人，副教授，在读博士，研究方向：低碳经济、矿业管理工程、公共管理与城市文化。

Empirical Analysis and Forecast of Industrial Carbon Emission Factors in Anhui Province

Dai  Dawei，ZhangLing

（School of Social and Humanity，Anhui University of Science and Technology，Huainan，Anhui  232001，China）

Abstract： In orderto achieve the goal of“carbon peak， carbon neutralization”as soon as possible and promote the green optimization and upgrading of traditional industries，thecarbon emission is calculated based on the relevant energy consumption of Anhui Province from 2010 to 2019，the extended Kaya formula and LMDI are used to quantitatively analyze the influencing factors of industrial carbon emissions and contribution rates of related influencing factors.The gray prediction model is used to forecast the industrial carbon emissions of Anhui Province in the next ten years （2020—2029）.The results show that labor scale， economic output and energy structure can promote the growth of industrial carbon emissions in Anhui Province，while industrial structure，energy intensity and carbon emission intensity can inhibit the growth of industrial carbon emissions， and economic output has the most obvious promoting effect.In addition， the industrial carbon emissions in Anhui Province will continue to rise in the next decade，but the growth rate will slow down.Finally，through economic output and technological innovation and other aspects to optimize the energy structure，promote industrial transformation and upgrading， reduce industrial carbon emissions in Anhui Province.

Key words：Industrial carbon emissions;Energy consumption;LMDI;EGM （1，1）;Anhui province

全球气候变暖的直接原因是以二氧化碳为主的温室气体的排放量超出了生态承载力[1]。我国是世界上第一碳排放大国，为了应对气候变化，构建人类命运共同体，《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》中明确提出“2030年前碳达峰，2060年前碳中和”的目标，绿色低碳的经济发展战略已经成为国家长期的发展战略之一。工业能源消费是中国能源消费的主体，占比高达70%，有效实现工业碳减排对我国低碳经济的发展起关键作用。4D0A12F0-B024-4D33-BECF-69D19EDF0C7A

安徽省是我国的中部能源大省，拥有丰富的煤矿资源。近年来，安徽省工业经济迅速发展，生产总值由2010年的6 395.99亿元增长至2019年的15 309.86亿元，但随之而来的是能源消费量的不断增加，给生态环境保护带来压力。根据《安徽省统计年鉴》（2011—2020），截止至2019年，安徽省工业的能源消费总量占比为63%。安徽省人民政府为低碳减排工作颁布了一系列政策，如安徽省《2014—2015年节能减排低碳发展行动方案》（后简称《行动方案》）、《安徽省“十三五”控制溫室气体排放工作方案》（后简称《工作方案》）等，方案实施后，产业结构得到调整，能源结构也不断优化，但在短时间内安徽省工业以煤炭资源为主的能源消费结构并不会发生质的改变。在此背景下，建立安徽省工业碳排放影响因素分解模型，分析各因素作用机制，以期为安徽省工业早日实现转型升级提供重要依据，很有研究价值。

一、文献综述

近年来，国内外很多学者采用不同的研究方法对碳排放影响因素进行研究。Jaruwan  Chontanawat运用扩展的IPAT模型对东盟等国家的碳排放进行了分解分析，结果表明人口和经济增长是很多国家二氧化碳排放增加的主要影响因素[2]764。Chi Zhang等利用LMDI模型对中国碳排放的影响因素进行了分析，结果表明能源强度是最主要的驱动因素[3]。李建豹等运用空间杜宾面板模型对长三角地区碳排放影响因素进行分析，结果表明：城镇化和空间因素对碳排放效率具有明显的正向作用，外商投资、单位GDP能耗和生态环境对碳排放效率具有明显的负向作用[4]。刘博文等人运用LMDI模型和Tapio脱钩模型研究了1996—2015年中国区域产业碳排放的脱钩弹性及脱钩努力程度，结果表明未来我国实现经济增长与碳排放脱钩离不开产业结构和能源结构的调整[5]。

目前，国内外学者对碳排放的预测研究主要采用灰色预测模型和情景分析法两种方法。Zhang Xing等选取2000—2018年中国碳排放数据，基于灰色预测模型进行短期预测，结果表明“十四五”期间二氧化碳排放形势依然严峻[6]。Yang X等采用情景分析法研究了碳排放达峰和空气质量之间的关系，结果表明：如果不对现有的减排措施作出调整，中国碳排放将无法在2030年之前达到峰值[7]。黄秀莲等基于统计学相关理论筛选河北省碳排放驱动因素，建立STIRPAT模型，并采用情景分析法预测河北省碳峰值，研究结果表明：节能情境下，碳排放量于2030年达峰[8]。

通过梳理文献可以发现，碳排放量的影响因素有很多，但采用不同的方法研究会得到不同的结果，同时，研究区域不同也会对研究结果产生影响。因此，本文选择安徽省工业能源消费和影响因素（2010—2019）的相关数据，利用相关公式与模型建立了影响因素分解模型，分析各影响因素的作用机制，预测安徽省工业未来10年碳排放量的变化趋势，并基于此提出针对性的政策建议，以供参考。

二、研究方法

（一）影响因素分解模型

1.扩展的Kaya恒等式。1989年，日本学者Yoichi Kaya教授在IPCC的一次研讨会上提出了Kaya公式，用来研究不同因素对碳排放的不同影响力[9]。本研究将安徽省工业碳排放影响因素分解为工业劳动力规模、经济产出、能源结构、产业结构（工业生产总值占国民生产总值比例）、能源强度和碳排放强度6个因素。将6个因素代入到扩展的Kaya恒等式得出公式（1）、（2）：

C=ΣiCi=ΣiPi×GDPiPi×EiGDPi×EijEi×GDPiGDP×CiGDPi=ΣiPi×EOi×EIi×ESij×ISi×CIi（1）

在公式（1）中，C表示工业碳排放量（万吨）;i表示产业类型;j表示能源种类;Eij表示i产业中第j种能源的消费量（万吨）;Ei表示i产业能源消费总量（万吨）;GDPi表示i产业的生产总值（亿元）;GDP表示国民生产总值（亿元）;P为i产业职工人数（万人）。

EOi=GDPiPi;EIi=EiGDPi;ESij=EijEi;

ISi=GDPiGDP;CIi=CiGDPi（2）

在公式（2）中，EOi表示第i产业的人均GDP;EIi表示第i产业的能源强度;ESij表示第i产业的能源结构;ISi表示产业结构，即第i产业的生产总值占国民生产总值的比重;CIi表示碳排放强度。

2.基于扩展的Kaya公式LMDI因素分解模型。为了能够具体直观地分析安徽省工业碳排放影响因素的作用程度，本研究基于扩展的Kaya公式，采用Ang B W提出的LMDI因素分解法对安徽省工业碳排放的影响因素进行分解分析[10]。运用LMDI因素分解法进行分析，结果不包含不能解释的残差项，且分解结果具有唯一性，更具科学性。根据LMDI因素分解法对碳排放影响因素分解，如公式（3）所示。

ΔCt0t=ΔCPi+ΔCEOi+ΔCEIi+ΔCESij+ΔCISi+ΔCCIi（3）

在公式（3）中，ΔCt0t表示碳排放变化量;ΔCPi表示工业劳动力规模效应;ΔCEOi表示经济产出效应;ΔCEIi表示能源强度效应;ΔCESij表示能源结构效应;ΔCISi表示产业结构效应;ΔCCIi表示碳排放强度效应。

根据LMDI因素分解法，计算每个影响因素对工业碳排放量的影响：

三、数据来源及测算

（一）数据来源

本研究数据主要来源于《安徽省统计年鉴》（2011—2020）、《中国能源统计年鉴》（2011—2020），碳排放量采用《IPCC国家温室气体清单指南》中碳排放的计量方式计算，工业GDP以2010年为基准进行不变价换算，以提高数据分析的科学性和准确性。相关数据见表1。

（二）碳排放量计算4D0A12F0-B024-4D33-BECF-69D19EDF0C7A

本研究使用（IPCC）统一规定的碳排放计算方法，主要选取原煤、焦炭、原油、柴油和天然气5种能源对2010—2019年安徽省工业碳排放量进行计算。设

Ci=∑Bjcj（20）

其中Ci为i行业碳排放量（万吨）;Bj为折标准煤后的能源消耗量;cj为碳排放系数（104t/104t）;j为能源种类。

四、安徽省工业碳排放量影响因素实证分析及趋势预测

（一）安徽省工业碳排放影响因素实证分析

1.安徽省碳排放特征。由图1可以看出，安徽省碳排放量2010—2019年呈波动上涨趋势，且随能源消费总量和工业生产总值的增加而增加，但近年来增长趋势趋于平缓。从能源消费结构来看，原煤是安徽省工业主要的能源消费种类，占比85%左右，且一直处于较高水平，天然气消费量所占能源消费比重在不断增加。

2.LMDI模型分解结果分析。本研究采用加法形式的LMDI因素分解法，若结果中贡献值大于0，则表示该影响因素对碳排放量的增加具有促进作用;若结果中贡献值小于0，则表示该影响因素对碳排放量的增加具有抑制作用[12]34。运用公式（4）-（10）式计算出LMDI每个分解因素的贡献值和碳排放量的年变化量，如表3所示。

从整体来看，劳动规模、经济产出和能源结构对安徽省工业碳排放起促进作用，而产业结构、能源强度和碳排放强度对安徽省工业碳排放起抑制作用，但总的促进作用大于总的抑制作用，这也就导致安徽省工业碳排放量总体呈上升趋势。其中，经济产出的促进效应最大，碳排放强度的抑制效应最大。值得特别注意的是，在2014—2015年和2015—2016年期间，除经济产出效应为正以外，其他效应皆为负。这归因于2014年安徽省人民政府根据《国务院办公厅关于印发2014—2015年节能减排低碳发展行动方案的通知》要求制定的《行动方案》，安徽省工业企业贯彻落实节能减排政策，对碳排放量的增加起到很好的抑制作用。

随着工业技术水平的不断发展和进步，机器逐渐代替了部分劳动力，导致劳动规模的不断缩小[13]。从劳动规模效应来看，2010—2014年，劳动规模效应一直为正，工业职工人数一直在增加，年平均增长率保持在5%;而后2014—2019年，工业职工人数开始呈下降趋势，劳动规模效应也转变为负作用。但总体来看，虽然机器化生产提高了生产效率，但是也在生产过程中导致能源消费的增加，从而导致碳排放量的增加。

工业经济的发展离不开能源的消费，而能源消费增加的结果则是碳排放量的增加[14]。从分解结果来看，经济产出效应一直为正，且在所有的影响因素中综合效应值最大，说明经济产出是长期以来导致安徽省工业碳排放量增加的最主要因素。2010—2019年间，安徽省工业生产总值从6 395.99亿元增长到15 309.86亿元，年平均增长率在10%以上。但从2014年之后经济增长速度有减缓之势，经济产出效应也开始慢慢减小，说明安徽省工业企业已经慢慢意识到经济发展不能以破坏环境作为代价。

从分解结果可以看出，产业结构对安徽省工业碳排放量的贡献值有正有负，但在2014年之后贡献值一直为负值，工业所占比重也一直在下降，说明产业结构的调整对安徽省工业碳排放起到了抑制作用。其原因是安徽省政府在《行动方案》中强调，安徽省要在2015年完成“十二五”淘汰落后产能任务的基础上，再淘汰一批炼钢、炼铁、水泥等落后产能。可见，安徽省产业结构的调整对碳减排具有重要的积极意义。

能源强度是指单位GDP的能耗水平。从分解结果来看，能源强度效应贡献值一直为负值，说明能源强度效应对安徽省工业碳排放量起到了抑制作用，以2013—2014年和2014—2015年最为明显，而后抑制作用开始减弱。近年来，能源强度一直呈下降趋势，这与近年来经济发展增速减缓也有一定的关系。

安徽省煤炭资源丰富，资源密集型产业居多，并且在能源消费结构方面也是以原煤为主，占比高达85%。从分解结果来看，能源结构效应贡献值仅在2014—2015年和2015—2016年为负值，说明《行动方案》的实施有效地优化了能源结构。从总效应来看，能源结构效应仍然对安徽省工业碳排放量的增加起促进作用。但我们应该看到，能源结构效应贡献值在2017—2018年极速下降，由6 129.69下降到1 256.72，这主要归功于安徽省政府办公厅2017年正式印发的《工作方案》，《工作方案》强调要加强能源结构的优化，说明能源结构的优化对碳排放量具有明显的抑制作用。

碳排放强度是指单位GDP带来的二氧化碳排放量[15]。碳排放强度呈现出逐年下降的趋势，说明安徽省工业的发展对环境的影響逐渐减小。另外，碳排放强度效应对安徽省工业碳排放的贡献值一直为负，且累计贡献值最大，说明碳排放强度效应对碳排放的抑制作用最为明显（在2014—2015年、2015—2016年和2017—2018年抑制作用最为显著）。

（二）安徽省工业碳排放量趋势预测

运用灰色预测模型，借助MATLAB R2017a软件，以2010—2019年安徽省工业碳排放量为原始数据，根据公式（15）-（20）计算相关数据，借助MATLAB R2017a 软件进行模拟和预测，得到模拟结果如图2所示，预测结果如图3所示。

通过残差方差c和后验差比值p检验GM（1，1）的精度，当c<0.35，p>0.95时，模型的预测精度等级为好。经过计算，c=0.270 2，p=1，说明拟合效果好，拟合效果如图2所示。

从预测结果可知，安徽省工业未来10年碳排放量仍然呈增长趋势，但增长速度趋于平缓，说明近年来安徽省工业企业执行低碳减排方案取得了显著成效。

安徽省工业碳排放呈现阶段性特征。第一阶段为2010—2014年，此阶段安徽省工业碳排放量明显增多，且增速较快。是因为经济发展速度较快，能源消费量增加，与之关系密切的碳排放量自然不断增加。第二阶段为2014—2016年，此时安徽省碳排放量开始减少。这一阶段经济发展速度开始减缓，并且政策的推行使产业结构得到了调整。第三阶段为2016—2019年，这一阶段安徽省工业碳排放量呈波动上涨趋势，但增长速度开始放缓。另外，近年来，非化石能源和天然气等清洁能源所占能源结构比重不断增加，对抑制碳排放量的增加也起到了明显作用。4D0A12F0-B024-4D33-BECF-69D19EDF0C7A

五、结论及建议

本文基于安徽省工业2010—2019年相关数据，利用LMDI模型对安徽省碳排放影响因素进行了分解，并借助MATLAB 2017Ra 软件，运用EGM（1，1）模型对安徽省工业未来10年的变化趋势进行了预测，得出结论如下。

安徽省工业2010—2019年期间碳排放量呈上涨趋势，并呈现出阶段性特征。通过LMDI因素分解法对安徽省工业碳排放影响因素进行分解时发现，安徽省工业发展对原煤能源的依赖性仍然很大。在影响因素中，经济产出对促进工业碳排放的影响最为显著，碳排放强度对抑制工业碳排放量有明显作用。运用灰色预测模型对安徽省工业未来10年碳排放量进行预测发现，未来10年碳排放量仍然呈上涨趋势，但增长速度明显减缓。另外，在分析工业碳排放量减少原因时发现，政策因素的抑制作用也比较大。

基于以上研究结论，为促进安徽省工业低碳转型发展，政府与工业企业双方都要为之努力。首先，要积极发挥政府的主导作用[16]，实行工业企业化石能源消费和碳排放额度总量控制，利用政策和资金促进清洁能源的开发和利用，推动非碳技术政策，加快推进碳市场的建设。其次，工业企业应继续贯彻落实国家和省政府发布的政策法规，在追求经济利益的同时严格执行减排标准，深化“政产学研用金”协同创新[17]。最后，还要大力发展新能源产业，淘汰落后产能产业，整合工业资源，提高能源利用效率。优化能源结构，加快绿色技术创新，实现能源管理信息化、智能化，提升工业生产效率，推动传统工业向绿色低碳转型。

参考文献：

[1] 林秀群，吴振嘉，唐向阳.工业行业全要素碳排放效率及影响因素研究[J].昆明理工大学学报（社会科学版），2020，20（2）：58-67.

[2] JARUWAN  CHONTANAWAT.Driving Forces of Energy-Related CO2 Emissions Based on Expanded IPAT Decomposition Analysis：Evidence from ASEAN andFour Selected Countries[J].Energies，2019，12（4）：764.

[3] CHI  ZHANG，BIN SU，KAILE ZHOU，et al.Decomposition analysis of China′s CO2 emissions（2000—2016）and scenario analysis of its carbon intensity targets in 2020 and 2030[J].Science of the Total Environment，2019，668：432-442.

[4] 李建豹，黄贤金，揣小伟，等.长三角地区碳排放效率时空特征及影响因素分析[J].长江流域资源与环境，2020，29（7）：1 486-1 496.

[5] 刘博文，张贤，杨琳.基于LMDI的区域产业碳排放脱钩努力研究[J].中国人口·资源与环境，2018，28（4）：78-86.

[6] ZHANG XING，WU SHU.The Research on Carbon Emission Forecast Based on GM（1，1） Model in China[J].Journal of Applied Science and Engineering Innovation，2020，6（4）：206-209.

[7] YANG X，TENG F.Air quality benefit of Chinas mitigation target to peak its emission by 2030[J].Climate Policy，2017，18（1）：99-110.

[8] 黄秀莲，李国柱，马建平，等.河北省碳排放影响因素及碳峰值预测[J].河北环境工程学院学报，2021，31（2）：6-11.

[9] YOICHI KAYA.Impact of Carbon Dioxide Emission on GNP Growth：Interpretation ofProposed Scenarios[R].Presentation to the Energy and Industry Subgroup，Response Strategies Working Group，IPCC，Paris：1989.

[10] ANG B W.The LMDI approach to decomposition analysis：a practical guide[J].Energy Policy，2005，33（7）：867-871.

[11] 曾波，李樹良.灰色预测理论及其应用[M].北京：科学出版社，2020，1-2.

[12] 李玮，吴敬凯，闫俊义，等.基于LMDI的浙江省工业污染物排放影响因素分析[J].人民长江，2020，51（9）：34-38.

[13] 张巍.基于STIRPAT模型的陕西省工业碳排放量预测和情景分析[J].可再生能源，2017，35（5）：771-777.

[14] 韩沅刚，董会忠，刘梁华.山东省城市工业碳排放效率时空演变及驱动因素研究[J].山东理工大学学报（自然科学版），2020，34（5）：11-16.

[15] 李文慧，李振国，余光辉，等.基于LMDI法的湖南省碳排放强度影响因素解析[J].中国环境管理干部学院学报，2018，28（5）：50-54.

[16] 周维维.京津冀能源消费碳排放影响因素分析及情景预测研究[D].北京：华北电力大学硕士学位论文，2016.

[17] 袁亮，杨科.再论废弃矿井利用面临的科学问题与对策[J].煤炭学报，2021，46（1）：16-24.

[责任编辑：范 君]4D0A12F0-B024-4D33-BECF-69D19EDF0C7A