基于雙LMDI模型和情景分析的浙江省碳排放影響因素研究

張 浩, 郁 丹, 唐 人, 郭雨涵, 朱維駿, 何勇玲

基于雙LMDI模型和情景分析的浙江省碳排放影響因素研究

張 浩, 郁 丹*, 唐 人, 郭雨涵, 朱維駿, 何勇玲

（浙江華云電力工程設計咨詢有限公司, 浙江 杭州 310014）

浙江省低碳發(fā)展條件相對優(yōu)越, 可作為率先實現碳達峰和碳中和(“雙碳”)的示范省份. 本文采用對數平均迪氏指數分解法(LMDI), 從經濟活動和居民生活兩方面分別考量, 對浙江省2000—2019年碳排放變化量的驅動因素進行分解. 通過情景分析, 即浙江省分別在2060年(國家戰(zhàn)略)和2050年(區(qū)域率先)實現“雙碳”目標, 對未來浙江省人均碳排放量趨勢進行預測, 并結合歷史分解結果對兩種情景下碳排放變化量的驅動因素進行分解預測. 結果表明: (1)經濟活動方面, 人均GDP增加是碳排放的主要驅動因素(累計增量520 Mt), 而單位GDP能耗降低是碳排放的主要抑制因素(累計減量210 Mt); (2)居民生活方面, 人均能耗增加是碳排放的主要驅動因素(累計增量12.6 Mt), 而能源結構低碳化則是主要的碳排放抑制因素(累計減量1.5 Mt); (3)為實現碳中和目標, 兩種情景下減排重點均是能源結構的低碳轉型, 但轉型關鍵時間線有所不同; 對于2060年和2050年碳中和情景的轉型關鍵時間線分別在于2031—2045年和2036—2050年.

碳排放; LMDI模型; 情景分析; 浙江省

編制并發(fā)布各省(市)的碳達峰和碳中和(“雙碳”)方案對于實現中國“雙碳”重要承諾顯得尤為重要, 探究區(qū)域碳排放驅動因素成為當務之急. 浙江省人均GDP為100620元(2020年), 處于國內領先水平, 且人均碳排放和單位GDP能耗相對較低, 省內各城市發(fā)展相對平衡, 并且提出了全國首個省級碳達峰、碳中和行動方案, 承諾于2025年率先實現碳達峰. 因此, 率先在浙江省構建新型的高質量、綠色低碳發(fā)展區(qū)域經濟體系, 對于其他各省(市)發(fā)展具有深遠的借鑒意義, 同時浙江省所面對的也是未來其他各省(市)即將面對的. 在建立減排路徑與制定減排政策之前, 碳排放特征與歷史規(guī)律、各時期碳排放的驅動因素、各驅動因素的作用程度是需要首先明確的關鍵問題.

對數平均迪氏指數分解法(Logarithmic Mean Divisia Index, LMDI)被廣泛應用于能源和碳排放問題方面的因素分解研究, 具有分解后殘差為零、結果唯一的顯著優(yōu)點. 全球層面, Dong等[1]利用LMDI分解法得出低收入國家的經濟發(fā)展和人口增長是全球碳排放的主要驅動力. 國家層面, 對于中國[2], 經濟快速增長是導致CO2排放量增加的主要驅動力, 而能源強度則是主要的抑制因素. 此外, 印度方面[3]的研究也得到了類似的結果. 行業(yè)層面, LMDI分解法也被廣泛應用于電力[4]、工業(yè)[5-6]、交通[7]、建筑[8]等部門的能耗強度和碳排放驅動因素分解研究. 省(市)層面, 人均GDP和人口增長是推動廣東省能源消費增長的主導因素[9]. 不同的研究主體具有不同的分解方法, 并且分解方法應確保包含影響研究主體的所有重要因素. Alajmi等[10]將沙特阿拉伯溫室氣體排放的驅動因素分解為人口、經濟活動、能源消費. Xie等[11]將電力部門的驅動因素增加到8個效應, 分別是經濟規(guī)模、能源強度、供電與用電比、電力結構、技術效率、火電能源結構、CO2排放系數. Gu等[12]將上海市碳排放分解為13個驅動因素, 但可歸類為社會經濟規(guī)模、結構、城市出行、強度和居民生活五大類效應.

然而在區(qū)域碳排放影響因素分解研究中, 多數模型均選擇單一分解式, 并未考慮到經濟活動和居民生活有不同的影響因素. 同時, 當前碳排放影響因素分解研究中僅關注歷史趨勢, 并未通過其分解結果對未來情景進行預測, 因而無法為未來低碳發(fā)展道路提供量化建議. 本文以浙江省碳排放為研究對象, 旨在深究浙江省碳排放變化在2000—2019年, 以及2019年到實現碳中和年份期間的影響因素, 從而為浙江省低碳綠色發(fā)展提供數據支撐和政策建議. 本文首先采用LMDI模型分解浙江省2000—2019年經濟活動(6因素)與居民生活(5因素)的CO2排放變動量, 然后預測浙江省到碳中和年份前的人均碳排放量變化率, 最后基于上述結果分別計算2060年、2050年實現碳中和兩種情景發(fā)展下各影響因素的驅動效應.

1 研究方法

1.1 LMDI分解模型

為了系統(tǒng)、量化地了解浙江省二氧化碳排放形勢, 采用LMDI模型分解各類驅動因素對于浙江省經濟活動和居民生活兩部分CO2排放量變化的影響作用. LMDI模型分為加法形式和乘法形式兩種, 都具有完美分解驅動因素的特點且結果相同, 為了提高計算速率, 本文采用加法形式分解.

基于Kaya恒等式[13]與相關改進[6], 建立浙江省碳排放影響因素分解模型如下:

式中:、economic和residential為分別浙江省碳排放總量、經濟活動方面碳排放量和居民生活方面碳排放量;為常住人口;GDP為省內生產總值;G為行業(yè)的生產總值;E為行業(yè)或生活區(qū)中各種能源的消費總量(統(tǒng)一折算為標準煤);E為行業(yè)或生活區(qū)中能源的消費量;C為行業(yè)或生活區(qū)因使用能源所導致的碳排放總量;P為生活區(qū)的人口數.

采用Ang等[14]提出的LMDI分解模型中的加法分解法, 將浙江省從基準年(0)到目標年(), 經濟活動方面的碳排放變化量Δeconomic和居民生活方面的碳排放變化量Δresidential分別分解如下:

根據LMDI模型, 浙江省經濟活動碳排放變化量被完全分解, 各效應對碳排放的影響分別如下:

1.2 情景設定

根據國家碳中和發(fā)展目標和浙江省低碳發(fā)展條件相對優(yōu)越實情, 設定浙江省2060年碳中和、2030年碳達峰(2060年碳中和情景)和2050年碳中和、2025年碳達峰(2050年碳中和情景)兩條路徑. 其中, 2060年碳中和情景包括3個階段, 分別為2019—2030年、2031—2045年、2046—2060年;2050年碳中和情景包括3個階段, 分別為2019— 2025年、2026—2035年、2036—2050年.

在碳達峰前, 即第一發(fā)展階段, 設定人均碳排放量年變化率(1)為1%(2000—2019年平均增長率為5%); 同時設定第三發(fā)展階段人均碳排放量年變化率(3)分別為第二發(fā)展階段(2)的200%(3/2=2)和50%(3/2=0.5)兩種情景.

根據《浙江藍皮書》[15]對于人口的預測, 設定關鍵年份的人口數量見表1. 以黨的十九屆五中全會上最新戰(zhàn)略目標(即人均GDP在2035年達到27000美元, 在2050年達到45000美元)為基礎, 設定各階段年人均GDP平均增速見表2.

表1 浙江省人口數量歷史數據及未來預測 萬

表2 浙江省年人均GDP平均增速歷史數據及未來預測 %

為重點關注能源結構效應在碳中和發(fā)展路徑中的作用效果, 忽略行業(yè)結構和城鄉(xiāng)結構的驅動效應, 同時設定第一階段中能源強度效應等于單位GDP能源強度效應和單位人口能源強度效應的歷史年平均效應總和.

1.3 數據來源與處理

以2000—2019年為研究樣本區(qū)間, 浙江省為研究對象, 人口、城鎮(zhèn)化率與經濟數據來源于2000— 2020年《浙江省統(tǒng)計年鑒》, 能源實物消費量來源于2000—2020年《中國能源統(tǒng)計年鑒》. 其中, 能源實物消費量根據《中國能源統(tǒng)計年鑒》所附“各種能源折標準煤參考系數”折算為標準煤消費量, 能源消費量計算式如式(13)所示, 碳排放計算式如式(14)所示:

式中:、、、和分別為能源消費量、終端消費量、加工轉化投入量、加工轉化產出量和過程損失量;N為能源的碳排放因子;H為能源的凈熱值;Q為行業(yè)使用能源時的氧化效率.

2 實證分析

2.1 經濟活動碳排放驅動因素分解

整體來看, 人口規(guī)模效應和產出水平效應在浙江省經濟活動碳排放中一直具有正向作用, 以產出水平效應作用最為顯著(表3), 行業(yè)結構效應、能源強度效應和能源結構效應呈正負交替作用關系, 但累計效應對于碳排放均起到抑制作用(圖1). 從逐年綜合效應來看, 2003—2007年為碳排放快速增長時期, 年變化量均超過30.0Mt, 2011—2015年整體碳排放出現下降趨勢, 但在2015—2018年出現反彈, 碳排放再次增加24.1Mt; 期間, 產出水平的平均效應達到26.7Mt, 為最大的正向作用效應, 能源強度的平均效應達到-10.1Mt, 為最大負向作用效應. 從累計作用效果來看, 2000—2019年期間, 產出水平和人口規(guī)模的累計效應分別達到522.7 Mt和58.3Mt, 能源強度、行業(yè)結構和能源結構的累計效應分別達到-208.9、-84.9、-52.7Mt, 這與浙江省社會經濟的快速發(fā)展、新型科技行業(yè)的崛起、傳統(tǒng)能源行業(yè)的弱化關系密切.

圖1 2000—2019年浙江省經濟活動碳排放累計變化量

表3 2000—2019年浙江省經濟活動碳排放逐年變化驅動因素分解 Mt CO2

注： 統(tǒng)計時間段分別為上年度的年末至本年度的年末, 與表4同.

各驅動效應對浙江省經濟活動碳排放的累計貢獻率如圖2所示, 排序為產出水平效應>人口規(guī)模效應>能源結構效應>行業(yè)結構效應>能源強度效應, 其中產出水平效應累計貢獻度為222.9%, 是促進經濟活動CO2排放的主要驅動因素, 而能源強度效應的累計貢獻度為-89.1%, 是減緩CO2排放的主要驅動因素. 產出水平效應和人口規(guī)模效應的累計貢獻度分別自2000年和2006年起, 正向貢獻度逐漸加強; 能源強度效應和行業(yè)結構效應的累計貢獻度分別自2006年和2009年起負向貢獻度逐漸加強.

圖2 2000—2019年各驅動效應對浙江省經濟活動碳排放的累計貢獻率

2.2 居民生活碳排放驅動因素分解

整體來看, 人口規(guī)模效應和能源強度效應在浙江省居民生活碳排放中一直具有正向作用(表4); 城鎮(zhèn)化率和能源結構的平均效應分別為-10kt和-80kt. 從逐年綜合效應來看, 僅2000—2002年、2015—2016年和2018—2019年這3個期間的綜合效應為碳排放減少(或保持)階段, 其他年份平均綜合效應為增加碳排放920kt; 期間, 能源強度平均效應達到660kt, 為最大的正向作用效應, 這與人民生活極大豐富有關. 從累計作用效果來看(圖3), 2000—2019年期間, 能源強度和人口規(guī)模的累計效應分別達到12.6Mt和2.3Mt, 能源結構和城鎮(zhèn)化率的累計效應分別達到-1.5Mt和-0.2Mt.

表4 2000—2019年浙江省居民生活碳排放變化驅動因素分解 Mt CO2

圖3 2000—2019年浙江省居民生活碳排放變化量

各驅動效應對浙江省經濟活動碳排放的累計貢獻率如圖4所示, 排序為能源強度效應>人口規(guī)模效應>城鎮(zhèn)化率效應>能源結構效應, 其中能源強度效應累計貢獻度為95.5%, 是促進經濟活動CO2排放的主要驅動因素, 而能源結構效應累計貢獻度為-11.5%, 是減緩CO2排放的主要驅動因素. 能源強度效應和人口規(guī)模效應的累計貢獻度自2003年一直保持在正向貢獻; 能源結構效應和城鎮(zhèn)化率效應的累計貢獻度在2005—2016年期間一直保持在正向貢獻, 但在2017年后保持負向貢獻.

圖4 2000—2019年各驅動效應對浙江省居民生活碳排放的累計貢獻率

2.3 2060年碳中和情景與2050年碳中和情景

浙江省生態(tài)系統(tǒng)碳匯為48.2 Mt CO2[16], 因此當2050年和2060年人均碳排放量為0.87t時即可實現碳中和. 根據情景設定, 浙江省不同階段下的人均碳排放量變化率見表5.

表5 浙江省不同情景下的人均碳排放量變化率 %

不同情景下, 浙江省碳排放累計變化驅動因素分解分別如圖5～圖8所示. 在2060年碳中和情景中, 第一階段人口規(guī)模、產出水平、能源強度和能源結構的效應分別為-9.0、185.2、-104.2、-37.4 Mt; 而第二、第三階段的人口規(guī)模、產出水平和能源強度均在逐漸降低; 能源結構效應在第二階段明顯增大, 尤其當3/2=0.5, 甚至達到了-345.6Mt, 這也就意味著在2060年碳中和情景中, 能源結構的優(yōu)化工作難點將凸顯在第二階段, 即2030— 2045年; 第二、第三階段能源結構效應均是主要影響因素; 相比于3/2=2, 當3/2=0.5時, 人口規(guī)模和產出水平效應減小, 而能源結構效應在第二階段增大70.6Mt, 在第三階段減小117.3Mt.

圖5 在2060年碳中和情景、S3/S2=2條件下, 浙江省碳排放累計變化量

圖6 在2050年碳中和情景、S3/S2=2條件下, 浙江省碳排放累計變化量

圖7 在2060年碳中和情景、S3/S2=0.5條件下, 浙江省碳排放累計變化量

圖8 在2050年碳中和情景、S3/S2=0.5條件下, 浙江省碳排放累計變化量

在2050年碳中和情景中, 除人口規(guī)模效應先增大后減小, 各因素的變化趨勢與2060年碳中和情景相同. 相比于2060年碳中和情景, 2050年碳中和情景人口規(guī)模和產出水平的總效應均較低; 而能源結構效應在第一、第二階段下減排量均較低, 但在第三階段下的減排量則明顯增大, 這意味著在2050年碳中和情景中, 能源結構的優(yōu)化工作難點將凸顯在第三階段, 即2036—2050年之間.

3 結論與建議

本文將LMDI模型和情景分析相結合, 從經濟活動和居民生活兩方面對浙江省歷史碳排放影響因素和實現碳中和前碳排放影響因素進行分解. 研究結論如下: (1)經濟活動方面, 人均GDP增加是促進碳排放的重要因素(累計增量520Mt), 而單位GDP能耗降低是抑制碳排放的主要因素(累計減量210Mt), 目前能源結構的抑制作用尚不明顯(累計減量50Mt); (2)居民生活方面, 人均能耗增加是促進碳排放的重要因素(累計增量12.6Mt), 而能源結構低碳化是抑制碳排放的唯一因素(累計減量1.5Mt); (3)在碳達峰之后, 浙江省人均碳排放量的降低速率在4.6%～11.4%之間. 對于2060年碳中和情景, 2019—2030年期間能源強度降低是浙江省碳排放主要抑制因素. 但在2031—2060年期間, 最大抑制因素則轉變?yōu)槟茉唇Y構. 對于2050年碳中和情景, 趨勢與2060年碳中和情景相同, 但在2036—2050年期間能源結構減排效應明顯增大, 明顯加大了對于能源結構轉型的要求.

提出以下建議: (1)建設率先實現碳中和的示范省份不能以犧牲經濟發(fā)展為代價, 而是要實現工業(yè)化、城鎮(zhèn)化過程中的零碳發(fā)展; (2)在保證能源安全的前提下, 強化能源結構效應的抑制作用, 具體包括倡導無碳能源(太陽能、風能、水力、核能、生物質能、地熱能等新能源)的開發(fā)和利用,加快新能源技術研發(fā), 加大與優(yōu)化新能源產業(yè)的扶持政策, 優(yōu)化電網設計, 提高終端用能部門的電氣化水平, 推動“綠氫”規(guī)模化利用; (3)建設緊湊型、多中心目標規(guī)劃生活城區(qū), 減少人均生活能耗. (4)部署和預留森林與綠地發(fā)展的空間, 增加生態(tài)碳匯.

[1] Dong K Y, Hochman G, Timilsina G R. Do drivers of CO2emission growth alter overtime and by the stage of economic development?[J]. Energy Policy, 2020, 140: 111420.

[2] Yang J, Cai W, Ma M, et al. Driving forces of China’s CO2emissions from energy consumption based on Kaya-LMDI methods[J]. Science of the Total Environment, 2020, 711:134569.

[3] Ortega-Ruiz G, Mena-Nieto A, Garcia-Ramos J E, et al. Is India on the right pathway to reduce CO2emissions? Decomposing an enlarged Kaya identity using the LMDI method for the period 1990—2016[J]. Science of the Total Environment, 2020, 737:139638.

[4] Hasan M M, Chongbo W. Estimating energy-related CO2emission growth in Bangladesh: The LMDI decompo- sition method approach[J]. Energy Strategy Reviews, 2020, 32:100565.

[5] Zhang W, Wang N. Decomposition of energy intensity in Chinese industries using an extended LMDI method of production element endowment[J]. Energy, 2021, 221: 119846.

[6] Wen L, Li Z. Provincial-level industrial CO2emission drivers and emission reduction strategies in China: Combining two-layer LMDI method with spectral clustering[J]. Science of the Total Environment, 2020, 700:134374.

[7] Liu M Z, Zhang X X, Zhang M Y, et al. Influencing factors of carbon emissions in transportation industry based on C—D function and LMDI decomposition model: China as an example[J]. Environmental Impact Assessment Review, 2021, 90:106623.

[8] Ma M D, Yan R, Du Y J, et al. A methodology to assess China’s building energy savings at the national level: An IPAT-LMDI model approach[J]. Journal of Cleaner Production, 2017, 143:784-793.

[9] Chong C, Liu P, Ma L, et al. LMDI decomposition of energy consumption in Guangdong Province, China, based on an energy allocation diagram[J]. Energy, 2017, 133:525-544.

[10] Alajmi R G. Factors that impact greenhouse gas emissions in Saudi Arabia: Decomposition analysis using LMDI[J]. Energy Policy, 2021, 156:112454.

[11] Xie P, Gao S, Sun F. An analysis of the decoupling relationship between CO2emission in power industry and GDP in China based on LMDI method[J]. Journal of Cleaner Production, 2019, 211:598-606.

[12] Gu S, Fu B, Thriveni T, et al. Coupled LMDI and system dynamics model for estimating urban CO2emission mitigation potential in Shanghai, China[J]. Journal of Cleaner Production, 2019, 240:118034.

[13] Kaya Y. Impact of carbon dioxide emission control on GNP growth: Interpretation of proposed scenarios[R]. Paris: Intergovernmental Panel on Climate Change/ Response Strategies Working Group, 1989.

[14] Ang B W. LMDI decomposition approach: A guide for implementation[J]. Energy Policy, 2015, 86:233-238.

[15] 浙江省社會科學院. 浙江省藍皮書: 2017年浙江發(fā)展報告[M]. 杭州: 浙江人民出版社, 2017.

[16] Wang B, Liu M C, Zhou Z C. Preliminary estimation of soil carbon sequestration of China’s forests during 1999– 2008[J]. Journal of Resources and Ecology, 2022, 13(1):17-26.

Study on the influencing factors of carbon emission in Zhejiang Province based on LMDI dual model and scenario analysis

ZHANG Hao, YU Dan*, TANG Ren, GUO Yuhan, ZHU Weijun, HE Yongling

( Zhejiang Huayun Electric Power Engineering Design Consulting Co., Ltd., Hangzhou 310014, China )

With relatively favorable conditions for carbon reduction, Zhejiang Province as a pioneer is believed to be the leading province in reaching the target for carbon neutrality. Based on the collected data, logarithmic Mean Divisia Index (LMDI) is used to analyze the driving factors of the change of economic activities and residential carbon emission in Zhejiang Provincefrom 2000 to 2019 in which time the two scenarios are projected. Using the scenario analysis, the trend of per capita carbon emissions in Zhejiang Province in the future is predicted, and the driving factors of carbon emissions change under the two scenarios are decomposed and projected based on the historical decomposition results. The results show that: 1) In terms of economic activities, the per capital GDP effect is the main driving factor for carbon emissions(cumulative increase of 520 Mt), while the energy intensity effect is the main inhibiting factor of carbon emissions(cumulative reduction of 210 Mt); 2) In terms of residential activities, the energy intensity effect is the main driving factor of carbon emissions(cumulative increase of 12.6 Mt), while the energy mix effect is the main inhibiting factor of carbon emissions(cumulative reduction of 1.5 Mt); 3) In order to achieve carbon neutrality, the focus of emission reduction in both scenarios is the low-carbon transformation of energy mix, but the key time period of the transformation is different. The key transition timelines for the 2060 carbon neutral scenario and the 2050 carbon neutral scenario are 2031-2045 and 2036-2050, respectively.

carbon emissions; LMDI model; scenario analysis; Zhejiang Province

X24

A

1001-5132（2023）03-0114-07

2022?09?09.

寧波大學學報（理工版）網址: http://journallg.nbu.edu.cn/

上海市軟科學重點計劃項目（21692105000）.

張浩（1970－）, 男, 浙江湖州人, 高級工程師, 主要研究方向: 碳電協同與電網規(guī)劃. E-mail: 864408897@qq.com

通信作者:郁丹（1982－）, 男, 江蘇揚州人, 高級工程師, 主要研究方向: 綜合能源與電網規(guī)劃. E-mail: 610829794@qq.com

（責任編輯 章踐立）