基于LMDI模型的北京市电力部门碳排放特征研究

为了研究北京市电力部门碳排放的主要影响因素,本文利用2000—2012年北京市电力生产和消费数据,从电力生产和消费角度,建立电力部门碳排放影响因素分解模型,并利用对数平均迪氏指数分解分析方法测算这些因素对碳排放影响的方向和程度。从生产角度来看,正向驱动因素主要有能源强度效应和能源排放强度效应,贡献率分别为1040.47%、109.80%,负向驱动因素主要是产出规模效应,贡献率为-1228.16%,产出规模效应是使得电力碳排放减少的最主要因素,而能源强度效应是增加碳排放的最大力量。从消费角度来看,正向驱动因素主要是配输电损失,贡献率为11.37%,负向驱动因素主要有火电份额和火力发电能耗,贡献率分别为-61.99%、-37.99%,火电份额是电力碳排放减少的主要因素。     

安徽省经济发展与碳排放关系分析

以计算得出的安徽省2000～2011年的碳排放量为依据,运用EKC模型对该省经济发展与碳排放量之间的关系进行分析,安徽省碳排放量以及人均碳排放量都在人均GDP为25659.31元时达到理论峰值(极值点),分别为10570×104t和1.54t。安徽省碳排放量与人均GDP之间、人均碳排放量与人均GDP之间存在比较明显的环境库兹涅茨二次曲线特征。为了进一步揭示影响安徽省碳排放量变化的因素,又利用LMDI模型对该省碳排放增长中的总效应、生产规模效应、结构效应及强度效应进行深入分析。结果表明,引起安徽省碳排放增长的主要因素是生产规模效应,强度效应对碳排放起到了一定的抑制作用,而结构效应对碳排放影响不大。鉴于此,建议安徽省应按照低污染、低排放、低能耗的低碳经济理念,调整投资和消费方向,加大对先进节能技术的倾斜性投资,优先选择低碳产业作为未来的发展方向;加大力度优化能源结构,逐步降低高碳产业比重,努力保持非化石能源比重的持续增长态势;发展碳汇项目,促进碳吸收;鼓励新能源、新技术的科技创新,出台相应的激励政策。     

长三角地区能源消费碳排放分析

采用IPCC碳排放技术指南提供的能源消费碳排放计算模式,估算了长三角区域1995～2007年间的人均碳排放量,并采用因素分解模型定量分析了能源结构、能源强度、经济发展对该地区碳排放的影响.结果表明,经济发展为人均碳排放量增长的主要因素,能源强度的下降和能源结构的改善在一定程度上对经济发展带来的增长起到了抑制作用.     

广东省能源消费碳排放影响因素分析

以2005~2013年广东省能源平衡表为数据源,采用IPCC推荐方法计算能源消费碳排放量,结合LMDI方法,分析了人口规模、经济发展、能源强度、能源结构对广东省能源消费碳排放的影响,得出了:1广东省能源消费碳排放总量和人均碳排放呈现"快速增长—稳定"转变的态势,碳排放强度呈现较稳定的线性下降态势;2经济发展是促使广东省能源消费碳排放增长的主导因素,能源强度的降低是抑制碳排放增长的重要因素。此研究结果对掌握广东能源消费碳排放及影响因素具有重要的作用,对制定碳减排政策和实现低碳省建设具有重要的指导意义。     

四川省能源消费碳排放趋势及影响因素研究

基于四川省2000～2009年能源消费资料,对全省二氧化碳排放总量、人均二氧化碳排放量、单位GDP二氧化碳排放量三项碳排放指标进行了测算,并采用Laspeyres完全分解方法对三项碳排放指标进行了因素分解,分析测算了各影响因素对分解目标的贡献值和贡献率.研究结果表明,经济因素对二氧化碳排放总量、人均GDP二氧化碳排放量变化起主导作用,能源强度对单位GDP二氧化碳排放量的变化贡献最大.     

广东省主体功能区碳排放特征及驱动因素研究

基于不同类型主体功能区的发展定位与碳排放驱动要素分解,提出有针对性的区域差异化低碳发展路径是推进主体功能区可持续发展的重要内容。基于调研资料,分析了广东省各主体功能区自2010年以来的碳排放演变特征,从人口效应、经济效应、能源强度效应、产业结构效应以及碳排放因子效应五个因素对造成不同主体功能区碳排放差异的原因进行了分析。要素分解发现,经济规模和人口数量增长对优化开发区碳排放量增长的贡献率最大;产业结构的优化从2012年开始成为使优化开发区碳排放量降低的影响因素,对重点开发区和生态发展区碳排放量降低的作用仍不明显;产业能源强度变动均使三类功能区碳排放量降低,但是贡献率呈现明显差异。建议：（1）加快发展优化开发区服务业,积极推动实施居民碳排放管理;（2）重点开发区应以提高能效和推进低碳技术为主实施低碳转型;（3）生态发展区要大力推广清洁能源,促使农业低碳化发展。     

昆明市能源消费碳排放变化的因素分解及对策研究

随着昆明市社会经济的快速发展,能源消耗及环境问题日益严重,减少二氧化碳排放、建设低碳城市已成为昆明市可持续发展的关键.基于扩展的Kaya恒等式建立了因素分解模型,并应用对数平均Divisia指数方法(LMDI)对昆明市2005—2010年能源消费碳排放变化情况进行了分解分析.研究表明:现阶段昆明市能源消费碳排放最大的影响因素是经济产出规模,其贡献率达到155.76%;而能源效率仅次于经济产出呈现负效应,其贡献率为-87.68%;其它表现为正效应的影响因素分别为产业结构、人口规模、产业能源消费碳排放,其贡献率分别为14.36%、13.42%、4.13%.“十二五”及未来一段时期,调整产业结构、优化能源结构、提高能源效率及发展碳汇项目是昆明市二氧化碳减排的重点任务,为昆明市低碳城市建设提供保障.     

北京市交通运输业能源消费碳排放影响因素分析

本文参考IPCC的方法,测算了2005—2015年北京市交通运输业化石能源消费及其CO2排放总量,并对其总体变化趋势进行探讨;运用对数平均迪氏分解模型(LMDI)将北京市交通运输业碳排放因素分解为人口效应、经济增长、产业规模、能源强度和能源结构5个因素,并对其贡献值进行分析。结果表明,交通运输业需要消耗大量的化石能源,研究期内其能源消费碳排放增速处于波动下降态势,但总量仍在增加;北京市交通运输业碳排放的增量因素由强到弱依次为经济增长、人口效应、能源结构,减量因素由强到弱依次为产业规模和能源强度。本文基于分析结果,为北京市交通运输业碳减排政策提出针对性的建议。     

北京市居民消费直接碳排放及影响因素研究

居民消费直接碳排放是北京市碳排放的重要来源。本文用碳排放系数法测算了2002—2016年由北京市居民消费引起的直接碳排放量,应用L M D I方法对居民消费直接碳排放的影响因素进行了研究。研究结果表明:北京市居民消费直接碳排放总量呈递增趋势,从2002年的1001.64万t增长到了2016年的2663.28万t,城镇和农村居民消费直接碳排放绝对量分别从728.25万t和273.39万t增长到2301.09万t和362.19万t,年均增长率分别为9%和2.03%;能源消费结构变动效应、人均消费水平变动效应、人口规模变动效应是北京居民消费直接碳排放增长的"三大动力",单位支出能耗变动效应、城市化效应是直接碳排放量增长的"两大阻力"。在研究结论的基础上,本文对北京市节能减排提出了相应的政策建议。     

上海市生活垃圾处理碳排放变化驱动因素研究

固体废弃物处理是全球温室气体排放第四大排放源,做好固废处理温室气体核算与控制工作,对全国整体碳减排将有重要意义。利用改进的Kaya恒等式和LMDI加和分解法,对影响上海市生活垃圾处理碳排放变化的驱动因素进行研究。结果显示2010—2020年上海市生活垃圾处理每年碳排放量呈现先下降、后增长趋势,但在多个生活垃圾处理碳排放变化驱动因素影响下,碳排放逐年变化量呈现波动。各驱动因素中,人均经济产出效应对碳排放增加的贡献率最大,而单位GDP碳排放强度有最强的负向驱动效应,有效抑制了碳排放增长。综合考虑生活垃圾处理碳排放强度和生活垃圾处理结构强度等其他因素,提出在源头分类环节提升垃圾回收利用率,在末端处置环节优化废弃物处理方式等对策。     

Which factors drive CO<Subscript>2</Subscript> emissions in EU-15? Decomposition and innovative accounting

This study breaks down carbon emissions into six effects within the 15 European Union countries group (EU-15) and analyses their evolution in four distinct periods: 1995–2000 (before European directive 2001/77/EC), 2001–2004 (after European directive 2001/77/EC and before Kyoto), 2005–2007 (after Kyoto implementation), and 2008–2010 (after Kyoto first stage), to determine which of them had more impact in the intensity of emissions. The complete decomposition technique was used to examine the carbon dioxide (CO₂) emissions and its components: carbon intensity (CI effect); changes in fossil fuels consumption towards total energy consumption (EM effect); changes in energy intensity effect (EG effect); the average renewable capacity productivity (GC effect); the change in capacity of renewable energy per capita (CP effect); and the change in population (P effect). It is shown that in the post Kyoto period there is an even greater differential in the negative changes in CO₂ emissions, which were caused by the negative contribution of the intensity variations of the effects EM, GC, CP and P that exceeded the positive changes occurred in CI and EG effects. It is also important to stress the fluctuations in CO₂ variations before and after Kyoto, turning positive changes to negative changes, especially in France, Italy and Spain, revealing the presence of heterogeneity. Moreover, the positive effect of renewable capacity per capita and the negative effect of renewable capacity productivity are the main factors influencing the reduction in CO₂ emissions during the Kyoto first stage. It is possible to infer from the results that one of the ways to reduce emissions intensity will be by increasing the renewable capacity and the productivity in energy generation and consequently through the reduction of the share of the consumption of fossil fuels.     

低碳经济背景下山东省“十二五”期间经济社会发展情景研究

发展以低能耗、低污染、低排放为特征的低碳经济,是山东省落实科学发展观、推进生态文明建设的必然选择。山东省人均碳排放明显高于全国平均水平,且两者之差几乎逐年增大。通过对山东省人均碳排放与人均GDP、能源强度、产业结构、城市化水平、对外贸易开放度的协整分析,分析结果表明碳排放与各因素之间存在长期均衡关系。另外,从碳排放的驱动因素出发,依据山东省已有的主要规划和中长期目标,以及关于未来经济趋势的分析,设置了基准、强化低碳经济、粗放型经济三种不同的发展情景对山东省"十二五"期间碳排放的演变趋势分析。研究表明2015年碳排放总量的取值区间约为31023.77×104~34461.88×104t,碳排放强度将在2010年0.63t/万元GDP的基础上降低9.98%~18.96%,山东省在采取积极减排措施的情况下基本可以实现碳排放强度降低18%的目标。提出了相关对策建议:优化能源结构,加大技术投入;调整产业结构,转变增长方式;完善政策机制,构建绿色贸易体系。     

Carbon emissions reduction in China's food industry

In this paper, we evaluate the changes in carbon dioxide emissions from energy consumption in China's food industry from 1986 to 2010 based on the Logarithmic Mean Divisia Index (LMDI) method. The results show that energy intensity (EI) and industrial activity (IA) are the main determinants of the changes in carbon dioxide. Energy intensity (EI) contributes to decrease in emissions within 25 years while industrial activity (IA) acts in a positive way to increase the emissions level. Industry scale (IS) mostly contributes to increase in emissions except for the time interval 1996–2000. However, for both carbon intensity (CI) and energy structure (ES), they have a volatile but not significant influence on emissions in the different time intervals. To further understand the effects, we analyze the cumulative emission during the whole period 1986–2010. The results further testify that energy intensity and industrial activity are the most important factors affecting reduction and growth of carbon emissions. The results indicate that efforts to reduce emission in China's food industry should focus on the enhancement of energy efficiency, the optimization of industrial scale and the restructuring energy use. Finally, recommendations are provided for the reduction of carbon dioxide in China's food industry.     

Transport sector CO2 emissions growth in Asia: Underlying factors and policy options

This study analyze the potential factors influencing the growth of transport sector carbon dioxide (CO₂) emissions in selected Asian countries during the 1980–2005 period by decomposing annual emissions growth into components representing changes in fuel mix, modal shift, per capita gross domestic product (GDP) and population, as well as changes in emission coefficients and transportation energy intensity. We find that changes in per capita GDP, population growth and transportation energy intensity are the main factors driving transport sector CO₂ emission growth in the countries considered. While growth in per capita income and population are responsible for the increasing trend of transport sector CO₂ emissions in China, India, Indonesia, Republic of Korea, Malaysia, Pakistan, Sri Lanka and Thailand; the decline of transportation energy intensity is driving CO₂ emissions down in Mongolia. Per capita GDP, population and transportation energy intensity effects are all found responsible for transport sector CO₂ emissions growth in Bangladesh, the Philippines and Vietnam. The study also reviews existing government policies to limit CO₂ emissions growth, such as fiscal instruments, fuel economy standards and policies to encourage switching to less emission intensive fuels and transportation modes.     

Analysis and forecast of the Tianjin industrial carbon dioxide emissions resulted from energy consumption

This paper analyses the carbon dioxide emissions caused by industrial energy consumption of Tianjin from 2005 to 2012. The carbon emissions decomposition illustrated that the scale of production factor played a major role in the growth of Tianjin industrial carbon emissions and the average contribution of carbon emissions is up to 220.8975% in the statistical period; the intensity of energy factor played an important role in slowing down the growth of industrial carbon dioxide emissions. The average contribution of carbon emissions was ?136.1994% in the statistical period. The prediction model based on carbon emissions data from industrial energy consumption from 2003 to 2012 reached a high accuracy, with an average error of 1.78% for stochastic impacts by regression on population, affluence, and technology (STIRPAT) model, 2.41% for the Logistic regression model and an average error of 1.54% for the grey model. This research can contribute to predict the carbon emission and through it some suggestions can be made.     

广州市碳排放达峰值分析

本文对城市达峰值的规律以及峰值研究方法进行了梳理,研究广州市碳排放峰值时先对广州市碳排放影响因素进行分解分析,随后基于相关规划对广州市的碳排放峰值进行了情景分析。结果表明,经济增长和人口规模是促进广州市碳排放的两个主要因素。经济增长是最重要的影响因素,未来人口增长将不会是碳排放增长的主要影响因素。产业结构、能源强度和碳排放系数都是减缓广州市碳排放的影响因素,其中能源强度的减排贡献度最大。未来广州市能源消费总量将持续增加,在高经济增速的情况下,广州市至2030年仍未达到碳排放峰值;在较低经济增速的情况下,广州市在2020年左右便可实现碳排放峰值。要实现碳排放达峰,必须引导合理的能源消费需求,加大节能力度;加快产业转型,大力发展低碳技术;大力发展天然气和新能源。
关键词：能源消费量;碳排放;峰值目标;广州市     

山东省能源消费CO2排放及驱动因素分析

基于IPCC提出的温室气体排放计算公式,利用1990～2009年山东省能源消费数据,测算了CO2排放量,并结合经济和人口数据,采用LMDI因素分解法分析了能源强度、能源结构、人口规模和人均GDP对CO2排放的影响。结果表明,CO2排放主要来源于火力发电和供热及第二产业,经济水平与人口规模表现为正效应,能源强度与能源结构表现为负效应,由此提出了山东省现阶段的减排建议。     

低碳发展时代的世界与中国能源格局

哥本哈根会议认定了"2℃"和"在2050年前全球排放量减到1990年的一半",到2050年,碳减排要求世界人均能耗不高于2.5t标煤/a。能源碳强度ω是一个反映碳排放与能源结构关系的新指标,利用它与一次能源消费中生成并排放二氧化碳的各种形式能源所占比率γ的关联式ω=2.4γ进行推算:按照450情景方案,二氧化碳排放峰值307×108t出现在2020年,而能耗峰值在2030年左右;按照丹麦方案,二氧化碳排放峰值320×108t出现在2025年,能耗峰值也大约在2030年,将达到273×108t标煤/a,人均3.3t标煤/a。碳排放峰值年越推迟,达到2050年远期目标的难度越大。按照丹麦方案,2030~2050年的20年间,需平均每年减排10×108t二氧化碳,同时与450情景方案相比,大气中二氧化碳总量将增加400×108t以上。根据中国政府宣布的2010~2020年的减排目标推算,2020年能耗为41×108t标煤,二氧化碳排放约74×108t,中国只要能做到能耗强度每5年降低20%,就能够实现此目标。中国应在2020年之前快速发展非化石能源、加速产业转型、大力发展天然气、大幅提高能效,这样就完全能够与世界减排同行。     

Economic growth,energy conservation and emissions reduction: A comparative analysis based on panel data for 8 Asian-Pacific countries

This study was conducted to evaluate the causality between energy consumption, GDP growth and carbon emissions for eight Asia-Pacific countries from 1971 to 2005 using the panel data. The results indicate that there are long-run equilibrium relationships between these variables. Additionally, causality from energy consumption to CO₂ emissions was observed generally, but there were some opposite relationships also. Parameter estimations of the panel data model indicate that there are great differences in the carbon emissions, the efficiencies of energy use, carbon emissions of unit GDP and unit energy consumption between developed and developing countries. The base carbon emissions, per capita energy consumption and efficiency of energy use in developing countries are far lower than in developed countries; however, the CO₂ emissions per unit of energy use is higher. Although developing countries may reduce their CO₂ emission per unit energy use, total energy consumption will rise rapidly with economic development. Thus, developing countries must determine how to undergo economic growth while conserving energy and reducing emissions. To respond to global climate change, it is necessary to develop innovative technology for energy use, transform the energy structure and conduct the clean development mechanism.