胡林林,贾俊松, 毛端谦, 刘春燕

(1. 江西师范大学 地理与环境学院, 南昌 330022；2. 江西师范大学 鄱阳湖湿地与流域研究教育部重点实验室, 南昌 330022； 3. 江西师范大学 研究生院, 南昌 330022)

基于FAHP-TOPSIS法的我国省域低碳发展水平评价

胡林林1,2,3,贾俊松1,2, *, 毛端谦1,3, 刘春燕1,2

(1. 江西师范大学 地理与环境学院, 南昌 330022；2. 江西师范大学 鄱阳湖湿地与流域研究教育部重点实验室, 南昌 330022； 3. 江西师范大学 研究生院, 南昌 330022)

在区分低碳经济与低碳发展的基础上，构建了一套低碳发展指标体系，并采用整合的FAHP-TOPSIS法对我国30个省区进行评价研究。结果表明：(1)该指标体系是实用且有效的，可以成功的用来评价一个区域的低碳发展水平。(2)整合的FAHP-TOPSIS法引入了模糊数集，能有效处理专家评估过程中的模糊性，评估结果也符合实际。(3)2003年到2008年，上海低碳发展水平有所下降，下降率为1.91%；其余各省区均在增长，浙江增长最大，北京增长最小，两者增长率分别为29.73%和0.38%。(4)北京一直拥有相对最高的低碳发展水平，而辽宁和江西一直分别处于第6和10位。宁夏、青海、甘肃、贵州及河南则一直依次处于低碳发展水平的倒数前5位，且位次不变。最后，分析了评估结果的合理性及不确定性并提出了一些提高省域低碳发展水平的可行途径及未来可进一步研究的方向。

FAHP-TOPSIS; 低碳发展水平; 省域; 评价

自2003年英国首次提出低碳经济(LCE)概念以来[1]，与低碳有关的研究开始大量出现，并形成了诸多不同的方向，低碳发展(LCD)就是其中之一。LCE是一种低消耗、低排放而高GDP输出的经济形态[1]，而LCD目前还没有国际统一的明确定义[2- 3]。另一方面，对LCD的研究多以某一单个省、市区为例，评价方法多为传统的方法[4]。

据此，本文先深入分析LCD内涵，构建其指标体系，再以我国30个省区为例，采用整合的FAHP-TOPSIS法对其进行评价研究具有一定的创新意义，结果可供有关决策者参考。

1 数据与方法

1.1 数据来源

包括：1)终端能源消费量数据来自对应年份的《中国能源统计年鉴》，单位全部转化为标准煤。2)人口、城市化率及GDP数据则分别来自《中国人口统计年鉴》及《中国统计年鉴》。GDP数据统一采用2000年不变价折算。3)人文发展指数数据来自联合国发展规划署的《中国人类发展报告2009/10》及《中国人类发展报告2005—追求公平的人类发展》。4)森林覆盖率数据来自《中国林业统计年鉴》。5)指标权重原始数据来自问卷调查表。6)CO2排放数据来自文献[5]。香港、澳门、台湾及西藏因数据缺乏被省略。

1.2 指标体系构建

Yuan等[6]认为LCD是在保证经济增长的前提下不断降低温室气体(如CO2)排放的一种发展模式。戴星翼[7]认为LCD的最大阻力来自于对经济增长的过度追求，应摒弃GDP主义。Mulugetta等[2]认为LCD根源于可持续发展，民众参与也极其重要。Guan等[3]认为有必要明确LCD概念并仔细解构它。综上，本文认为LCD不过于强调GDP增长，而是依据碳排放现状，分别从碳源、碳捕获及人文发展等角度对其进行调控，以促使其不断降低的一种可持续发展模式。

(1) 碳排放现状(CES)是反映一个区域是否处于LCD状态的最直观指标。用碳排放总量(TAM)、人均碳排放量(QPC)、能源强度(EIN)和碳排放强度(CIN)来表示它，人均碳排放量为碳排放总量的人均值，能源强度指单位GDP产出所消耗的能源量，碳排放强度指单位GDP产出所放出的CO2[8]。上述4个指标值越大，越不符合LCD模式，即它们与LCD关系均为负。早在朱守先等[9- 10]研究国内LCD水平时，就选择QPC、碳生产率及碳能源排放系数这3指标，而碳生产率即为本文CIN倒数，碳能源排放系数是本文EIN与CIN两指标相比而得的一个指标，可见，朱的3个指标与本文这4个指标本质是一致的。之后，李福军[11]、赵先超等[12]及朱臻等[13]延用了朱的指标，吴彼爱等[4]则在朱的指标上加了一个地均碳排放量指标。

(2) 碳源控制水平 (CSCL) 指标组用非化石能源消耗占比(PNF)、非煤炭能源消耗占比(PNC)以及可再生能源消耗占比(PRE)来表示。将PNC从PNF中分离出来作为一单独指标，是因为相对于等量单位的石油和天然气，煤炭有着最高的二氧化碳排放量[8]。将PRE从PNF中分离出来是因为非化石能源与可再生能源不能完全等同。该组指标值越高，越符合LCD模式，即它们与LCD关系为正。

(3) 碳捕获能力(CCC)指吸收CO2的能力。碳捕获与存储 (CCS)技术是CCC的一个方面。然而，目前CCS数据获取困难，故只采用森林覆盖率 (PFC)反映该能力。区域PFC越高，其通过光合作用吸收CO2量就越多，就越符合LCD模式，即PFC与LCD关系为正。

(4) 人文发展水平用人文发展指数(HDI)表示，该指数由联合国开发计划署(UNDP)于1990年开始逐年发布[14]。它由长寿水平(预期寿命)、教育水平(成人识字率)和生活水平(人均GDP对数)三方面指标综合而成，该指标能揭示一个国家或区域社会整体的人文发展状况[14]。范定祥等[15]采用协整与格兰杰因果检验发现，从长期看，降低我国碳排放强度能够促进其人文发展，而我国人文发展反过来也能推动其碳排放强度的降低。而碳排放强度越低，低碳发展水平越高。可见，提高我国人文发展水平，最终能促进我国低碳发展水平的提高，即两者关系为正。

(5) 城市化水平(UL)用城市化率(PUR)来表示，它是指非农业人口占总人口的比例。Lehmann认为一个紧凑的、交通便利的城市对于下降总体上的温室气体排放量有更大的潜力[16]。这说明城市化率越高，越有潜力实现LCD，即两者关系为正。赵红等[17]用协整模型，刘华军等[18]用面板模型分析了我国城市化对二氧化碳排放的影响，结果也均证明了两者关系为正。值得说明的是，有学者将LCE与LCD混合起来，构建低碳经济(发展)指标体系[19]，这与本文有着本质区别。考虑到有学者主张LCD应摒弃GDP主义[5]，故本文未对该GDP指标及其结构做深入分析。综上所述，具体构建的LCD水平指标体系如表1所示。

表1 低碳发展水平指标体系

1.3 评价方法说明

本文FAHP-TOPSIS法是先在传统层次分析法(AHP)的基础上,引入模糊集理论(Fuzzy set)，形成模糊层次分析法(FAHP)，用FAHP法去综合不同专家的经验观点，从而形成指标体系的一个最终权重。然后，将该权重代入理想点模型(TOPSIS)中计算区域最终的LCD水平值。

1.3.1 FAHP

AHP是一种可将不同来源的知识连接起来综合成一个有用的信息,并可根据该信息作决策的定量与定性相结合的方法[20]。知识的来源可以是经验或工程信息等[21]。当专家的经验知识综合成一个信息且该信息通过一致性检验[21]时，该信息可用。然而该方法不能完全反映人类思维方式[22]。人类思维的模糊性是决策制定过程中普遍存在的一种特征。如果制定决策不考虑这些模糊性的话，那么所得结果可能会是错误的[23]。

图1 三角模糊数Fig.1 Triangular fuzzy number =(l,m,u)

模糊数集理论能很好的考虑这些模糊性，因而可在一定程度上解决该问题[24]。本文采用1983年由Van Laarhoven和Pedrcyz所创立的三角模糊数，该模糊数的数学表达式如式(1)所示，对应的图形意义如图1所示[25]。

(1)

用下列4种方法来求解三角模糊数集获得指标权重：(1)传统模糊程度值分析法,具体计算过程见文献[23]。(2)乐观指数法，其通过式(2)获得模糊数程度值权重向量为:

(2)

式(2)中，i为评价指标编号，α是一个乐观指数，变化区间在[0, 1]。α值接近于0, 表示决策制定者悲观，反之，近于1表决策者乐观。本文按一般做法[26]将其值定为0.5。最终，通过式(3)，获得标准化权重向量W=(w1,w2,…,w3)T：

(3)

式(3)中，k为专家数编号，后两种方法标准化向量的过程与之类似，故不再赘述。

(4)

(4)α截角法。其计算公式为：

αLeft=α× (m-l) +l

(5)

αRight=u-α× (u-m)

(6)

Ci=λ× (αRight)i+ (1-λ) × (αLeft)i

(7)

式中，这里α与上文α不同。根据Pan建议[28], 这里α固定取值为0.7，λ固定取值为0.8。Ci即为权重向量。上述4种方法计算得到的结果根据实际情况进行取舍，明显不符合实际的结果需舍弃。

1.3.2 TOPSIS

TOPSIS由Hwang 和Yoon于1981年首次提出[29]。该方法认为一个函数的最优解应在最接近于正理想点并且最远离负理想点的那个点，其计算所得标准化决策矩阵rij与FAHP计算所得LCD水平指标权重wi相乘，便得加权标准化决策矩阵vij[30]：

vij=wi×rijj=1,2,…，l

(8)

(9)

2 结果与分析

2.1 指标权重

专家评估的口语化答案可分为极端、强烈、明显、稍微及同等重要几个级别以及它们中间的一些级别，如表2所示。首先把这些专家返回的口语化答卷，按照表2所示的模糊数转化规则转化为三角模糊数矩阵，再对这些三角模糊数矩阵逐一进行一致性检验[31]。RI为平均随机一致性指标，当n=1,2,…,9时，RI分别为0,0,0.58,0.90,1.12,1.24,1.32,1.41,1.45。CI为检测出来的一致性值，CR表示CI与RI的比值。只有CR小于0.1时，评价结果才可接受，即通过。通过了检验的答卷才被认为是有效答卷，否则是无效答卷，需舍弃[31]。具体发放的问卷调查表有103份，被调查专家来自一些著名高校和科研院所，如北京大学、清华大学及中国科学院等，其中，收回的完整答卷有81份，而最后通过一致性检验并被认为是有效答卷的有17份。

表2 口语化变量及其对应的三角模糊数

然后，对有效答卷的专家观点进行综合，综合后的结果需再次进行模糊一致性检验。以二级评价层为例，综合后的专家观点三角模糊数矩阵如表3所示，从该矩阵模糊一致性检验的结果可以看出，其CR值为0.0034，小于0.1，说明其通过了检验[31]，可用其继续进行下一步运算。

表3 综合的专家观点三角模糊数矩阵(二级评价层)

模糊一致性检验: CI=0.0038, RI=1.119, CR=0.0034lt;0.1

层次指标权重确定。采用4种方法计算指标体系各层级权重，第二层级权重结果如表4所示。从中可看出，传统程度值分析法的CSCL和CCC权重均为0，这表明：碳源控制水平指标及碳捕获能力指标与LCD水平指标之间不存在关系，这是不符合事实的，故应舍弃。其余3种方法所得结果均可接受，取这3种结果的平均值，作为二级评价指标的最终权重，即表4第6列。

全局指标权重确定。以上过程所得的层次指标权重需要全部转化为全局权重。以TAM指标为例，它所在的三级层次权重为0.309，而其所在的二级指标层CES所对应的层次权重为0.233，因而，TAM指标的全局权重可按以下方法计算得出：0.309×0.233=0.072。表5为所得全局指标权重结果。

2.2 低碳发展水平时间动态

将上述指标的全局权重结果代入TOPSIS模型，可获得各省市区的LCD水平结果(表6)。从表6可以看出，宁夏、青海、甘肃、贵州及河南5个省区一直处于LCD水平的倒数前5名。宁夏在最末位，2003年的LCD水平值只有0.226，2008年增长到0.236，增长量为0.01，增长率为4.38%(表6)。河南、贵州、甘肃及青海在2003年的LCD水平值分别为0.482、0.468、0.445及0.440，2008年分别增长到0.556、0.553、0.509及0.487，增长量分别为0.074、0.085、0.065及0.047，增长率分别为15.35%、18.13%、14.58%及10.78%(表6)，但仍然处于倒数第5、4、3及2位。

表4 二级指标体系权重的4种结果比较与选择

表5 指标系统权重

2003年LCD水平前10名内省区在2008年排名仍处在前10名内，如北京、辽宁与江西在2003年及2008年的LCD水平排名均保持在顺数第1、6及10位(表6)，但其他7个省区(浙江、广东、福建、黑龙江、吉林、上海及天津)位次有所变化 (表6)。此外，其余15个省区的LCD水平的位次变化规律不明显(表6)。

表6 各省区低碳发展水平结果和变化

括号内的数字表示它们的LCD水平排序，黑体表示排序无变化，黑斜体表示它们的增长量和增长率表现极端

变化趋势与幅度方面：大体上，只有上海呈现稍微下降的趋势，下降约0.013，下降率为1.91%(表6)。其余各省区的LCD水平都在增长，浙江增长量和增长率均最大，分别为0.17和29.73%， 因而浙江的LCD水平位次迅速从第9名上升到第2名(表6)。北京的LCD水平增长量和增长率均最小，分别为0.003和0.38%，几乎可以忽略，但由于北京在2003年的LCD水平本身就最高，因而其仍可在2008年保持第1名的位置(表6)。

2.3 低碳发展水平空间动态

为分析方便，将LCD水平值小于0.5的阶段称为极低阶段，大于等于0.5并小于0.6的阶段称为低阶段，大于等于0.6并小于0.7的阶段称为中阶段，LCD水平值大于等于0.7的阶段称为较高阶段，按此方法可将各省区LCD水平划分为4类，具体结果如图2所示。

图2 低碳发展水平空间动态变化(此图引自http://www.webmap.cn/mapDir.php)Fig.2 The spatial change of the LCD

从图2可看出，宁夏和青海的LCD水平值总是处于极低阶段，新疆、河北、内蒙古、山东与江苏总是处于低阶段，天津、上海、吉林与辽宁总是处于中阶段，而北京LCD水平总处于较高阶段。甘肃、山西、河南与贵州的LCD水平在2003年处于极低阶段，但到2008年有所增长而进入了低阶段。同样地，江西、海南、湖南、重庆、广西、湖北、陕西、云南、四川与安徽在2003年处于LCD水平的低阶段，但在2008年有所增长进入了中阶段；黑龙江、福建与广东在2003年处于LCD水平的中阶段，但在2008年有所增长进入了较高阶段；浙江由于增长量最大，由2003年的低阶段越过中级段直接进入LCD水平的较高阶段。

对比其中极其典型的几个区域(北京、青海、宁夏、浙江和上海，它们原始数据见表7)，可发现：本文评价结果是符合客观事实情况的，因而是合理的。如，北京LCD水平总最大，宁夏和青海LCD水平总是倒数第1和2位(表6)。而从它们原始指标数据表7也可看出：北京EIN及CIN极低，在0.5—1.4之间；而宁夏和青海的EIN及CIN则很高，分别在3—10及7—33之间(表7)。这表明北京能源消费效率较高，能源利用技术水平相对更节能，因而更符合LCD模式。其次，北京森林覆盖率(PFC)及城市化率(PUR)分别在18%—22%及72%—85%之间，远高于宁夏和青海的PFC及PUR(表7)，而这两个指标值越高，表明区域越符合LCD模式。还有，北京可再生能源占比(PRE)及人文发展水平(HDI)也比宁夏和青海的值更高(表7)，这进一步表明北京更符合LCD模式。可见，指标原始数据反映出的实际结果与本文评价结果一致，不同的是评价结果更精确。

再如，浙江的LCD水平增长最快而北京最慢。而从原始数据表7也可很容易地看出他们增长的快慢：浙江的碳排放总量(TAM)及人均碳排放量(QPC)虽然从2003年到2008年有所增长，但由于其经济增速更快，使得其能源强度(EIN)和碳强度(CIN)反而有所下降，这前4个指标对提升浙江的LCD水平具有相互抵消的作用。这一点，北京与浙江类似(表7)。而后6个指标两区增长程度则不同，浙江可再生能源占比(PRE)及城市化率(PUR)分别从2003年的0.015及25.43%增长到2008年的0.034及57.60%，增长达2.267与2.265倍；而北京后6个指标的增长均不大。

表7 典型省区原始指标数据

上述这些对结果的分析表明，采用本文方法进行LCD评价所得的结果是符合实际且合理的。表7最后显示上海碳排放总量有所增加且森林覆盖率有所降低，而其也是唯一LCD水平有所下降的区域，这也是符合实际情况的，因为一个区域的碳排放总量增加必然导致其LCD水平下降的，同样，森林覆盖率降低，吸收CO2的能力变弱，也必然导致其LCD水平下降。

3 结论与讨论

3.1 结论

(1)本文构建的LCD水平评价指标系统，其中，包含5个二级指标和10个三级指标，是一套非常实用有效且可靠的分析工具，可以成功地帮助人们分析区域LCD状态。

(2)整合的FAHP-TOPSIS法是先在AHP的基础上，引入模糊数集理论，形成FAHP法，再将FAHP法与TOPSIS法连接起来使用而形成，该方法能有效处理专家评估时的模糊性，因而具有一定的优越性和更强的适用性。对结果的分析也证明了该方法评估结果的合理性。因而该方法值得推广。

(3)2003年到2008年，上海LCD水平有所下降，下降率为1.91%；其余各省区均在增长，浙江增长最大，北京增长最小，两者增长率分别为29.73%和0.38%。

(4)北京一直拥有相对最高的LCD水平，而辽宁和江西一直分别处于第6和10位。总体上来讲，2003年LCD水平排在前10位的省区在2008年也在前10位，只是除上述的北京、辽宁和江西3省区位次保持不变外，其余7省区(浙江、广东、福建、黑龙江、吉林、上海及天津)的位次有所变动。而宁夏、青海、甘肃、贵州及河南的LCD水平一直处于倒数第1、2、3、4及5位，且位次不变。剩余15省区的LCD水平的变化规律不明显。

3.2 讨论

“北京LCD水平高而宁夏低”与“北京能源消费效率、森林覆盖率、城市化率及可再生能源占比等指标高于宁夏的事实”是一致的，表明要提高区域的LCD水平，有必要：第一、制定相关节能技术改造的机制和措施，加强措施的执行力度，从而提高区域能耗效率；第二、继续加强植树造林，提高区域森林覆盖率；第三、积极响应国家“十二五”相关规划的号召，建设紧凑型城市及布局科学合理的新型城镇，进而提高城镇化率；第四、充分开发利用区域的可再生能源，如风能、太阳能、地热能、小水电能、生物质能及垃圾利用发电，等。“上海LCD水平有所下降” 与“上海碳排放总量有所增加的事实”也是一致的，表明：要提高区域LCD水平，还需实行碳排放总量控制及各省区配额分配与交易等制度，以从市场经济角度减少能耗的浪费，降低碳排放。

值得说明的是，按0.5、0.6及0.7划分的各省区LCD水平所处的阶段是相对的，如，北京LCD水平处于较高阶段，并不表明北京发展模式已属于LCD模式，而是仅仅表明相对其他省区来讲，其更符合LCD模式。事实上，我国各省区发展均需积极向LCD模式转型。其次，尽管有研究表明城市化水平与LCD水平关系为正[12- 13]，但它们之间也可能存在非线性关系或因阶段变化而出现正负交替变化的关系；尽管有研究认为LCD应摒弃GDP主义[5]，但GDP结构也可能在一定程度上反映LCD状况，而本文未对其考虑；尽管有研究认为我国人文发展水平与LCD水平关系为正[15]，但两者关系可能会因发展阶段变化而变化。所有这些都会对本文结论带来不确定性(偏差)，这需要在以后的研究中加以改进，如引入GDP结构指标，考虑指标间的非线性关系、指标关系的阶段变化性等。第三，碳捕获能力(CCC)指标中，只考虑了森林覆盖率(PFC)指标，而忽视了灌木林、草地等植被的碳捕集能力及区域CCS等技术应用情况；其他因素(如工业技术等)也可能影响碳排放及LCD，而本文未对其进行考虑。所有这些也都会对本文结论带来不确定性(偏差)，因而，在未来的研究中应选择合适的指标反映它们，只要这些指标的数据可获得，就可把它们引入进来完善本研究。第四，问卷调查时，经检验有效答卷17份，数量有些偏少，这一定程度上会增加本文结果的不确定性(偏差)，削减结论的合理性，因而，将来应从更大范围内选择更多的专家，获取更多的有效答卷来弥补该不足。

[1] Department of Trade and Industry (DTI). Energy White Paper: Our Energy Future-Creating a Low Carbon Economy. London: DTI, 2003.

[2] Mulugetta Y, Urban F. Deliberating on low carbon development. Energy Policy, 2010, 38(12): 7546- 7549.

[3] Guan D, Barker T. Low-carbon development in the least developed region: a case study of Guangyuan, Sichuan province, southwest China. Natural Hazards, 2012, 62(2): 243- 254.

[4] Wu B A, Gao J H. On levels of low-carbon development and potentials of six provinces of central China. Resources and Environment in the Yangtze Basin, 2010, 19(2):14- 19.

[5] Lei M, Guo J, Chai J, Zhang Z K. China′s regional CO2emissions: Characteristics, inter-regional transfer and emission reduction policies. Energy Policy, 2011, 39: 6136- 6144.

[6] Yuan H, Zhou P, Zhou D Q. What is low-carbon development? A conceptual analysis. Energy Procedia, 2011,5:1706- 1712.

[7] Dai X J. Low-carbon development: position of international metropolis: a case study of Shanghai. Exploration and Free Views, 2011, (6):57- 60.

[8] Fu J F, Zhuang G Y, Gao Q X. Conceptual identification and evaluation index system for low carbon economy. China Population Resources and Environment, 2010, 20(8):38- 43.

[9] Zhu S X. On levels of urban low carbon economy and analysis of the potentials. China Opening Herald, 2009, (4):10- 13.

[10] Zhu S X. A comparison of the low carbon growth amongst countries. China Opening Herald, 2010, (6): 44- 47.

[11] Li F J, Zhong C C. Analysis of low carbon development (LCD) level and the potential in Heilongjiang, China. Heilongjiang Finance, 2010, (5): 23- 25.

[12] Zhao X C, Zhou Y Y, Lu P. An empirical research on urban low-carbon development and carbon emissions of key areas—Tianjin-based case analysis. Journal of Hunan University of Technology, 2011, 25(4):81- 85.

[13] Zhu Z, Huang M, Shen Y Q. Analysis on measure and comparison of low carbon level in Zhejiang. Ecological Economy, 2011,(2):29- 33.

[14] Pan J H. A conceptual framework for understanding Human Development potential-With empirical analysis of global demand for carbon emissions. Social Sciences in China, 2002, 10(6): 15- 26.

[15] Fan D X, OU S H. Carbon Intensity Control and Human Development: Based on an Empirical Analysis of China. Ecological Economy, 2012,(2):63- 66.

[16] Lehmann S. Low-to-no carbon city: Lessons from western urban projects for the rapid transformation of Shanghai. Habitat International, 2013, 37: 61- 69.

[17] Zhao H, Chen Y M. Research on relationship between urbanization process and carbon emission reduction in China. China Soft Science, 2013, 27(3): 184- 192.

[18] Liu H J. The influence of urbanization on carbon dioxide emissions: An empirical evidence from China. Shanghai Journal of Economics, 2012, (5): 24- 35.

[19] Zhu Y Z, Zhou S H, Yuan N Y. To develop low carbon economy for slowing down climate change-Low carbon economy and its evaluation index. China′s National Conditions and Strength, 2009, (12):4- 6.

[20] Saaty T L. The analytic hierarchy process. New York: McGraw-Hill, 1980.

[21] Saaty T L, Vargas L G. The analytic hierarchy process series. University of Pittsburg, 1990.

[22] Kahraman C, Cebeci U, Ulukan Z. Multi-criteria supplier selection using fuzzy AHP. Logistics Information Management, 2003, 16(6): 382- 394.

[23] Naghadehi M Z, Mikaeil R, Ataei M. The application of fuzzy analytic hierarchy process (FAHP) approach to selection of optimum underground mining method for Jajarm Bauxite Mine, Iran. Expert Systems with Applications, 2009, 36(5): 8218- 8226.

[24] Ertugrul I, Tus A. Interactive fuzzy linear programming and an application sample at a textile firm. Fuzzy Optimization and Decision Making, 2007, 6: 29- 49.

[25] van Laarhoven P J M, Pedrcyz W. A fuzzy extension of Saaty′s priority theory. Fuzzy Sets and Systems, 1983, 11: 229- 241.

[26] Sen C G, Cinar G. Evaluation and pre-allocation of operators with multiple skills: A combined fuzzy AHP and max-min approach. Expert Systems with Applications, 2010, 37(3): 2043- 2053.

[27] Vahidnia M H, Alesheikh A A, Alimohammadi A. Hospital site selection using fuzzy AHP and its derivatives. Journal of Environmental Management, 2009, 90: 3048- 3056.

[28] Pan N F. Fuzzy AHP approach for selecting the suitable bridge construction method. Automation in Construction, 2008, 17: 958- 965.

[29] Hwang C L, Yoon K. Multiple attribute decision making—Methods and applications. Heidelberg: Springer-Verlag, 1981.

[30] Gumus A T. Evaluation of hazardous waste transportation firms by using a two step fuzzy-AHP and TOPSIS methodology. Expert Systems with Applications, 2009, 36(2): 4067- 4074.

[31] Lin H F. An application of fuzzy AHP for evaluating course website quality. Computers amp; Education, 2010, 54(4): 877- 888.

参考文献:

[4] 吴彼爱,高建华.中部六省低碳发展水平测度及发展潜力分析. 长江流域资源与环境,2010,19(2):14- 19.

[7] 戴星翼.低碳发展:国际大都市的定位——以上海为例.探索与争鸣, 2011, (6):57- 60.

[8] 付加锋,庄贵阳,高庆先.低碳经济的概念辨识及评价指标体系构建. 中国人口·资源与环境,2010,20(8):38- 43.

[9] 朱守先. 城市低碳发展水平及潜力比较分析. 开放导报,2009,(4):10- 13.

[10] 朱守先. 世界各国低碳发展水平比较分析. 开放导报,2010,(6):44- 47.

[11] 李福军,钟成春.黑龙江省低碳发展水平及潜力分析. 黑龙江金融,2010,(5):23- 25.

[12] 赵先超,周跃云,芦鹏. 城市低碳发展水平及关键领域碳排放实证研究——基于天津市的案例分析. 湖南工业大学学报,2011,25(4):81- 85.

[13] 朱臻,黄敏,沈月琴. 浙江省低碳发展水平测度和比较分析. 生态经济,2011,(2):29- 33.

[14] 潘家华. 人文发展分析的概念构架与经验数据——以对碳排放空间的需求为例.中国社会科学, 2002, 18(6): 15- 26.

[15] 范定祥,欧绍华. 碳排放强度控制与人文发展:基于中国的实证分析. 生态经济, 2012,(2):63- 66.

[17] 赵红,陈雨蒙. 我国城市化进程与减少碳排放的关系研究.中国软科学,2013,27(3):184- 192.

[18] 刘华军. 城市化对二氧化碳排放的影响.上海经济研究, 2012,(5):24- 35.

[19] 朱有志,周少华,袁男优.发展低碳经济,应对气候变化——低碳经济及其评价指标. 中国国情国力, 2009, (12): 4- 6.

Studyonthelevels′evaluationofprovinciallow-carbondevelopmentinChinabasedontheFAHP-TOPSISmethod

HU Linlin1,2,3, JIA Junsong1,2,*, MAO Duanqian1,3, LIU Chunyan1,2

1Schoolofgeographyandenvironment,Jiangxinormaluniversity,Nanchang330022,China2KeyLaboratoryofPoyangLakeWetlandandWatershedResearch,MinistryofEducation,Jiangxinormaluniversity,Nanchang330022,China3Schoolofgraduate,Jiangxinormaluniversity,Nanchang330022,China

Since the low-carbon economy (LCE) was, firstly, brought out by the Department of Trade and Industry (DTI) in UK in 2003, the issues related to the concept of low carbon (LC) have attracted more and more attentions at home and abroad. The low-carbon development (LCD) is one of the hottest issues in the academic circles. However, people remain to have some controversial viewpoints on this topic of LCD up to now. For example, some people think the LCD should guarantee the growth of Gross Domestic Product (GDP), but some others think the LCD could leave it out. Therefore, in this paper, the two concepts of LCE and LCD were, at the first step, distinguished based on some published literature. Then, according to the distinguished result above, the indicators′ system for evaluating the LCD levels of different regions was constructed, which contains 5 second-layer′s indicators and 10 third-layer′s indicators. As the unavailability of data, some provinces were omitted, and there were 30 provinces altogether were taken into the numerical case. In the empirical research process, a two-step methodology of combining the Fuzzy Analytic Hierarchy Process (FAHP) with the Technique for Order Performance by Similarity to Ideal Solution (TOPSIS) method is proposed. The FAHP was, firstly, used to compute the indicators′ weights of the 30 provinces′ LCD levels, and then the TOPSIS method used these weights as its own input weights to complete the whole calculation process. The results show that: (1) the index system is a very practical and effective evaluation tool. It can successfully help people to evaluate the LCD level of a region. (2) The integrated FAHP-TOPSIS method can effectively deal with the fuzziness, which was coming from the process of expert′s assessment, because the fuzzy number′ set was drawn into it. The results acquired are reasonable and consistent with the reality, which further prove the reliability of the method itself. (3) From 2003 to 2008, the LCD level of Shanghai has a slightly decreasing change. The percentage of the decline is 1.91%. All the rest 29 provinces have the increasing trend. Among them, Zhejiang has the largest growth, and Beijing has the least growth. The increasing percentages of the two regions are 29.73% and 0.38%, respectively. (4) Overall, the top 10 provinces of the LCD level in 2003 are still in the top 10 positions in 2008. Among the ten, Beijing has always had the highest LCD level relatively, while Liaoning and Jiangxi have kept at the 6th and 10th positions, respectively, but the rankings of the other seven provinces are changed from 2003 to 2008. However, the LCD levels of Ningxia, Qinghai, Gansu, Guizhou and Henan have been successively in the reciprocal five positions, and their rankings are unchanged. Finally, the rationality and uncertainty of the results by using the FAHP-TOPSIS method were analyzed. Some feasible directions for future studies are put forward, and some preferable policy suggestions to improve the provincial LCD level were proposed. These advices contain: strengthen the transformation of energy-saving technology; increase the proportion of renewable-energy consumption; accelerate the construction of the new urbanization and the compact city; implement the system of carbon emissions′ total amount control, quota allocation and trading; extend an existing reforestation program, and so on.

FAHP-TOPSIS; LCD level; provinces; evaluation

国家自然科学基金项目(41001383)、江西师范大学博士启动基金项目(4581)、中国博士后科学基金特别项目(201003158)

2013- 05- 12;

2013- 08- 18

*通讯作者Corresponding author.E-mail: jiaaniu@126.com

10.5846/stxb201305121027

胡林林,贾俊松, 毛端谦, 刘春燕.基于FAHP-TOPSIS法的我国省域低碳发展水平评价.生态学报,2013,33(20):6652- 6661.

Hu L L, Jia J S, Mao D Q, Liu C Y.Study on the levels′ evaluation of provincial low-carbon development in China based on the FAHP-TOPSIS method.Acta Ecologica Sinica,2013,33(20):6652- 6661.