基于LMDI-PDA-MMI分解法的我国产业体系碳排放驱动因素研究

郑蕊，刁书琪

（西安石油大学 经济管理学院，陕西 西安 710065）

气候变化是目前人类面临的最严峻的环境挑战，应对气候变化的根本在于减少碳排放。中国是过去40年世界上经济增长最快的国家，也是空气污染最严重的国家之一，CO2排放量高居世界第一，2018年中国对全球碳排放的贡献率超过了25%。为了减少碳排放，中国政府在巴黎气候大会上做出承诺：中国将于2030年前后实现碳排放达峰，且碳强度较2005年下降60%～65%；同年“十三五”规划战略部署：到2020年的碳强度较2015年下降18%，其中工业领域下降22%；2016年中国同世界其他177个国家与地区共同签署《巴黎气候变化协定》，共同致力于将全球气温上升控制在工业化前水平1.5℃以内。实现碳减排目标的核心在于减少产业碳排放，中国碳排放总量的90%以上源于产业活动[1-2]。面对节能减排的巨大压力，实现产业体系低碳发展对于中国碳减排具有重大意义，厘清产业体系碳排放的驱动因素能够为中国实现低碳发展提供经验参考。

1 文献综述

从已有研究来看，碳排放驱动因素的研究方法主要包括结构分解法（structural decomposition analysis,SDA）、指数分解法（index decomposition analysis, IDA）和生产理论分解法（production-theoretical decomposition analysis, PDA）。SDA方法主要通过建立投出产出模型进行分析。相比较IDA方法，SDA方法的优势主要体现在两个方面：（1）可区分技术效应和最终需求效应；（2）可同时评估直接效应与间接效应。基于这两方面的优势，其在碳排放研究中得到广泛的应用，详见Su & Ang[3]、Nagashima[4]的研究。然而，SDA方法也有其固有的不足之处，主要体现在三个方面：投入产出对数据有较高要求；复杂的投入产出模型不易建立；仅限于加法分解，详见Zhou & Ang[5]的研究。作为另一种被广泛应用的分解分析方法，IDA方法的优势在于：对数据要求低；分解模型简明，易于实现；可同时应用加法分解形式和乘法分解形式；可处理零值，详见Ang & Liu[6]的研究。基于这些优良的性质，IDA方法可有效补充SDA方法的不足，因而在能源与环境经济学中被广泛应用[7]。IDA方法主要包括算数平均指数分解法（AMDI）和对数平均指数分解法（LMDI）两种形式[8]，后者在理论基础、适用性、灵活性与结果易于分析等方面具有优势，因而受到诸多学者青睐[9-10]。

尽管如此，已有研究无法从SDA与IDA分解法中捕捉技术因素对碳排放的影响。针对这一问题，Pasurka[11]首次将分解思想引至生产框架内，能识别技术进步与技术效率的变化对碳排放的影响。在此基础上，Zhou & Ang[5]引入谢泼德方向距离函数，并将其定义为生产理论分解方法（PDA）。PDA方法主要通过生产理论、方向距离函数与环境DEA技术的有效结合。相较于前两种分解法，PDA的优势主要在于可以把技术效应从其他驱动因素中剥离出来，能够准确刻画技术因素对碳强度的影响。然而，PDA方法仅适用于乘法分解形式，且需要解决线性规划最优解等问题[5]。为了解决这些局限性，Lin & Du[12]通过把IDA与PDA方法组合去解决PDA方法的不足之处。IDA与PDA方法的组合是对现有研究与应用的一次重要补充，但对于不同决策单元的碳排放研究而言，传统的方向距离函数无法刻画决策单元间技术差异。

为了更全面地识别碳排放的驱动因素，本文将共同前沿曼奎斯特指数（meta-frontier Malmquist index, MMI）引入至LMDI和PDA分解法框架内，发展了一个更全面的分解分析方法，命名为LMDI-PDA-MMI分解法。该方法提高了分解结果的准确性，将异质性生产技术从能源强度中完全剥离出来，能精确刻画技术差距对碳排放的驱动作用。此外，该方法巧妙融合了LMDI和PDA两种分解方法的优势，且拓展了分解因素的讨论范畴，是能源和环境驱动因素分析中一种更为全面的研究方法。通过该方法能分解不同决策单元碳排放驱动因素，识别出技术差距变化对碳强度的影响，这是对已有研究的一次重要的拓展。比较已有研究，本文的主要贡献在于把一个更为全面的分解分析方法推广至产业体系碳排放驱动因素分析中，能够准确识别不同产业间技术差距变化对碳排放的影响，因而提高了分解结果的准确性。

2 方法与数据

2.1 环境生产技术

假定决策单元（DMU）通过能源（E）（为了简化模型，参考Zha等[13]的处理方式，仅选用能源作为单一投入要素）投入可生产得到期望产出（Y）和非期望产出（C），则环境生产技术可定义为：

其中，T为环境生产技术，能源投入与期望产出具有强可处置性，期望产出与非期望产出满足零结合性与弱可处置性[14]。为了考虑决策单元技术异质性，将所有决策单元划分为三个不同的组群，分别为组群前沿1、组群前沿2和组群前沿3，三个不同的组群前沿包络出一个共同前沿。组群前沿和共同前沿的环境生产技术可分别表示为：

其中，TG和TM分别表示组群前沿和共同前沿环境生产技术。为了更形象地阐述组群前沿与共同前沿的概念，本文绘制了图1。在图1中，MN表示共同前沿，AB、CD和EF表示组群前沿，可以看出共同前沿环境生产技术是组群前沿的包络线。以组群前沿2为例，P为一个决策单元，如果P点向O点移动，表明决策单元环境生产技术逐渐接近组群前沿技术水平，如果O点向Q点移动，表明组群前沿与共同前沿的技术差距在缩小，距离OQ体现了组群前沿与共同前沿之间的环境生产技术差距。

图1 组群前沿与共同前沿生产技术

基于环境生产技术，组群前沿和共同前沿的谢泼德距离函数可定义为：

式（4）与式（6）表示在给定产出和技术的情况下，能源投入最大的缩减比例。以式（4）为例，DG(E,Y,C)＞1表示生产技术缺乏效率，DG(E,Y,C)=1表示决策单元处于组群生产前沿。式（5）与式（7）表示在一定的能源投入、非期望产出和技术水平下，期望产出的最小扩张比例，以式（7）为例，DM(E,Y,C)＜1表示生产技术缺乏效率，DM(E,Y,C)=1表示决策单元处于共同生产前沿。

为了计算组群前沿谢泼德距离函数，需要解决如下的线性规划问题：

其中，下标i代表第i个决策单元，t表示时期。式（8）中的λ1表示组群前沿下决策单元的能源技术效率，式（9）中的β1表示组群前沿下决策单元的产出技术效率。同样地，计算共同前沿谢泼德距离函数，需要解决如下的线性规划问题：

式（10）中的λ2表示共同前沿下决策单元的能源技术效率，式（11）中的β2表示共同前沿下决策单元的产出技术效率。

2.2 分解方法

为分解产业体系碳排放的驱动因素，本文在Zha等[13]的基础上，建立如下Kaya恒等式：

参考Zha等[13]对区域碳排放驱动因素分解模型，建立产业体系碳排放驱动因素分解模型如下：

式（13）可进一步改写为式（14）：

式（14）是初始期0产业碳排放因素分解模型，同样地，目标期T的分解模型见式（15）：

式（15）可进一步改写为式（16）：

式（13）和式（15）是式（12）的恒等变换，首先利用MMI指数分解出的TC、PC和GC对实际的能源消费和经济产出（GDP）进行调整，得到潜在的能源消费和经济产出（GDP），最终共分解了九大碳排放的影响因素（本文假定碳排放系数在短时期内不会发生变化，因此，认为碳排放系数跨期不会影响产业体系碳排放），从左至右依次表示：碳排放强度（CEE）、能源结构（ES）、能源强度（EI）、经济规模（EOS）、能源利用技术效率（ETC）、能源利用技术进步（EPC）、能源利用技术差距（EGC）、产出技术效率（YTC）、产出技术进步（YPC）、产出技术差距（YGC）。

2.3 LMDI分解法

通过对碳排放变化驱动因素相关研究的梳理，发现该领域的研究方法主要是以指数分解法（IDA）为主，其中，Ang等[15]提出的对数平均迪氏分解法（LMDI）在理论基础和实用性等方面具有优势，从而被学者广泛使用[1,13,16]。LMDI分解法主要包括两种分解形式：乘法形式和加法形式，相比较而言，乘法形式主要反映不同驱动因素的影响程度的大小，不能直接体现因素的影响量；加法形式则侧重反映不同驱动因素的影响量。考虑到本文主要分析产业体系碳排放的驱动因素，因此，同时运用LMDI分解法的乘法形式和加法形式展开。具体分解形式如下：

为了从加法形式和乘法形式计算时期S至时期T产业体系碳排放驱动因素，本文采用如下形式的IDA分解法进行计算：

具体的乘法分解形式和加法分解形式如下：

其中，X依次表示能源结构（ES）、能源强度（EI）、经济规模（EOS）、能源利用技术效率（ETC）、能源利用技术进步（EPC）、能源利用技术差距（EGC）、产出技术效率（YTC）、产出技术进步（YPC）、产出技术差距（YGC）。需要说明的是，式（19）和式（20）中的左右变量取值均为正数，关于能源消费和CO2排放数据存在0值的情况，本文按照Ang等[15]提供的方法进行处理。

2.4 数据来源与处理

本文的研究范围与对象是2000—2017年我国产业体系包括一、二、三次产业在内的八大行业，依次为农林牧渔业（简称农业），采掘业，制造业，电力、煤气及水生产和供应业（简称电力燃气），建筑业，交通运输、仓储和邮政业（简称交通运输），批发、零售业和住宿、餐饮业（简称批发餐饮）及其他第三产业与生活消费（简称其他三产）。根据2.3小节的分解方法，产业体系碳排放驱动因素分析需要能源消费量、经济产出与CO2排放量三类数据。

（1）能源消费（E）。本文选用煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然气、电力9种能源，按照《综合能耗计算通则》将其统一折算为标准煤（万tce），进而加总得到不同产业能源消费量，数据来源于Wind金融咨询、《中国能源统计年鉴》（2001—2018年）。

（2）经济产出（GDP）。为了剔除价格效应的影响，各行业产值数据按照历年各行业现价GDP和GDP指数（上年=100），统一折算为2005年不变价格的实际GDP。各行业就业人员数量来源于历年《中国统计年鉴》，各行业的资本存量数据按照陈诗一[17]的产业资本存量估算方法进行估算。

（3）二氧化碳排放（CO2）。中国尚未公布产业体系CO2排放数据，因此需要重新估算2000—2017年八大行业的CO2排放量。以上述9种能源消费为基础，通过碳排放系数计算分品种能源CO2排放量，最终通过9种能源CO2排放量加总得到地区CO2排放数据。标准煤折算系数与碳排放系数见表1。

表1 标准煤折算系数与碳排放系数

3 产业体系碳排放驱动因素分析

3.1 产业体系碳排放趋势分析

图2呈现了2000—2017年产业体系碳排放变化情况。从总排放量来看，2000—2017年的产业体系碳排放量显著增加，2017年相较于2000年的碳排放量增幅超过了3倍。2000—2014年的碳排放量逐年增加，其中2003—2006年与2012—2013年的增长率均超过了10%，2012—2013年的增长幅度最大，净增长191 553万吨。值得注意的是，自2013年以来，产业碳排放总量增加幅度不明显，并于2014—2015年间首次出现负增长。尽管如此，目前我国产业带来的CO2排放量超过了总排放量的90%，是我国碳排放总量最大的贡献者。此外，除2014—2015年以外，CO2变化量在横轴以上区域变化，表明产业CO2排放总量始终在增加。

图2 2000—2017年产业CO2排放量变化情况

为了更清晰地分析总排放量的变化，本文进一步计算了2000—2017年各行业碳排放量（见图3）。从各行业的碳排放量来看，制造业和电力、煤气及水生产和供应业的CO2排放量远远高于其他行业，这两大行业是推动产业体系CO2排放增长的最主要因素，2017年的CO2排放量相较于2000年增加超过了3倍。综合三次产业可以看出，第二产业的CO2排放量远高于第三产业，第三产业又远高于第一产业，可见产业体系CO2排放总体格局呈现阶梯状。值得注意的是，第三产业CO2排放量占总排放的比重由2000年的4.58%上升到2017年的15.12%，2017年的CO2排放量是2000年的3.30倍，高于第二产业的2.98倍与第一产业的2.33倍，说明自2000年以来第三产业CO2排放量增幅最大。

图3 2000—2017年各产业CO2排放量

3.2 分产业视角下碳排放驱动因素分析

图4从分行业视角分解了2000—2017年碳排放的驱动因素。这里将从六个方面对2000—2017年碳排放驱动因素展开讨论：（1）2000—2004年CO2变化量持续上升。究其原因可以发现，制造业与电力燃气行业CO2变化量持续上升是助推产业CO2变化量增加的根本原因，期间两大行业的贡献率均值超过了80%。值得注意的是，2003—2004年产业体系碳变化量上升速度有所减缓，主要是由于采掘业在一定程度上抑制了增长。（2）2004—2008年碳排放量持续下降，期间所有行业对于CO2变化量均有助长作用。期间制造业CO2贡献率下降了30%，电力燃气行业则增加了13%，其余行业的助长作用较弱，但期间CO2变化量持续下降，这体现了制造业在产业低碳发展中的战略地位。（3）2008—2011年产业CO2变化量再次持续上升，制造业与电力燃气行业仍是最主要的助长行业，尽管制造业CO2变化量在2009—2011年期间出现小幅下降，但电力燃气行业的CO2变化量大幅提高，由于制造业CO2变化量的下降幅度小于电力燃气行业的增长幅度，导致期间CO2变化量持续上升，从两大行业的贡献率也说明了这一事实。（4）2010年起出现短暂急剧下降的情况，主要原因在于制造业与电力燃气行业CO2变化量同时大幅度下降。（5）2011—2013年产业CO2变化量出现陡增，期间制造业是主要的助长行业。对于制造业CO2变化量剧烈增长，原因可能在于2010年中国成为世界上最大的制造业国家，继续扩大制造业规模成为产业发展目标，做大不做强的目标导致生产要素过度投入，对此文章将在后续分析进一步详述。（6）2013—2017年产业CO2变化量整体出现大幅下降，在2014—2015年出现负增长，之后趋于平稳变化。

图4 各行业碳排放贡献量

3.3 分因素视角下碳排放驱动因素分析

图5从分因素视角分解了2000—2017年产业体系CO2排放量的驱动因素。从各驱动因素分解结果来看，经济规模是2000—2017年CO2排放增加最主要的驱动因素，期间贡献率高达154.09%，说明在此期间中国以“粗放式”生产模式为主。除了2002—2005年以及2012—2013年以外，能源强度始终是制约CO2排放增加最主要的驱动因素，其作用远强于其他驱动因素，期间贡献率为-51.10%，这说明能源利用效率的提高中和了由经济规模带来的CO2排放。除了经济规模和能源去强度以外，其他的驱动因素对CO2排放的影响相对较小，但仍然有两个值得关注的发现：（1）能源结构对CO2排放量的贡献仅有0.01%，说明能源结构的升级对CO2排放的贡献很小，这说明富煤少气贫油的能源消费格局未发生实质性变化，可再生能源消费比例不足15%，我国产业体系中的能源消费结构依然是以煤炭和石油作为主导能源。（2）能源利用技术差距促进了CO2排放增加，期间贡献率为1.96%，仅次于经济规模；这说明缩小能源利用技术差距能够减少CO2排放。

图5 各驱动因素碳排放贡献量

3.4 综合视角下碳排放驱动因素分析

为了分析各行业中的不同驱动因素对碳排放的贡献，本文从分行业和分因素视角上进一步分解了CO2排放的驱动因素，分解结构报告如表2所示。由表2可知，农林牧渔业中的产出技术差距是碳排放最主要的驱动因素，其次是能源利用技术差距，二者的总贡献量超过了总排放量的50%，能源强度是碳减排的最主要驱动因素，说明2000—2017年农林牧渔业的能源利用效率在逐渐提升。第二产业中的制造业和电力燃气的碳排放贡献总量超过了产业体系总排放量的80%，经济规模是两大行业最主要的驱动因素，贡献量依次为59 894万吨和288 916万吨；采掘业和建筑业的驱动作用相对较小，二者的总贡献量仅占总排放量的1.36%，其中经济规模依然是这两大行业最主要的驱动因素；第二产业中四大行业的能源强度在碳减排中扮演了最重要的作用，尤其是对于采掘业和制造业，能源强度的减排效应完全冲抵了经济规模的驱动作用；这里不能忽视的是，制造业的能源利用技术差距和产出技术差距很大程度上促进了碳排放增加。第三产业中的交通运输、批发餐饮与其他三产对总排放量的贡献率达到了15.80%，介于第一产业和第二产业中间；其中，经济规模是交通运输和其他三产碳排放增加贡献最大的驱动因素，但产出技术差距是批发餐饮贡献最大的驱动因素；能源强度是交通运输和批发餐饮碳减排贡献最大的驱动因素，但其他三产的碳减排贡献最大的驱动因素是产出技术差距。

表2 2000—2017年综合分解结果单位：万吨

4 结论与政策启示

碳排放驱动因素的分析对于产业体系低碳发展有重要的影响。在已有的研究基础上，本文将MMI引入至LMDI和PDA分解分析框架内，发展了一个更全面的分解分析方法，命名为LMDI-PDA-MMI分解法。相较于已有的分解分析方法，该方法将异质性生产技术从能源强度中完全剥离出来，这不仅能识别技术差距的变化对碳排放的驱动效应，也提高了分解结果的精确性。本文提出的方法是对已有分解分析方法的一次重要补充。为了验证该方法的适用性，本文以2000—2017年产业体系包括一、二、三次产业在内的八大行业为研究对象，分解了产业体系碳排放的驱动因素。研究发现：（1）从产业的视角上来看，产业体系中的第二产业对总碳排放的贡献率高达83.22%，其中制造业和电力燃气依次为53.48%和28.38%；除了第二产业，剩余的碳排放贡献多来源于第三产业，其中，其他三产和交通运输的贡献率分别为7.59%和6.80%；第一产业的贡献率仅有0.97%。（2）从驱动因素的视角上来看，经济规模对总碳排放的贡献率高达154.09%，其他增加碳排放驱动因素的贡献率相对较小，依次为能源利用技术差距的1.96%、产出技术效率变化的0.24%、能源利用技术效率变化的0.18%以及能源结构的0.01%；能源强度是减少碳排放最重要的驱动因素，其贡献率为-51.10%，其余依次为能源利用技术进步的-2.96%、产出技术进步的-2.20%以及产出技术差距的-0.21%。

基于研究发现，本文提出如下三点产业体系碳减排的政策建议：（1）在实现产业体系低碳化发展的进程中，应该同时关注不同行业与不同驱动因素对碳排放的贡献，其中控制制造业和电力燃气行业的生产规模尤为重要，这两大行业应该得到更多的关注和监管。（2）进一步提升能源利用效率，降低能源强度，深度挖掘利用能效政策实现碳减排的潜力，其中节能减排相关技术创新应该得到各行业的重视，继续释放技术进步碳减排的潜能，缩小不同行业之间能源利用技术差距，这也有利于降低能源强度。（3）从长期低碳化发展目标来看，由于第二产业对我国产业体系碳排放的贡献远高于第三产业，导致现阶段很大程度上忽略了第三产业的碳排放。但值得关注的是，自2000年以来，第三产业的碳排放增长率高于第二产业，这对于未来低碳化道路的建设存在隐形弊端，针对这方面研究有待进一步深入，也是我们后续重点关注的研究领域。