刘芳 江海涛

摘 要：长三角作为引领中国经济高质量发展的重要区域，其能源消耗碳排放引人关注。本文研究发现长三角地区2005—2019年三大产业能源消费碳排放量逐年增长，经济产出、产业结构、能源强度以及能源结构等都与碳排放变化相关。本文建议不断研发推广清洁能源技术，加大可再生能源消费比重，大力发展数字经济和平台经济，优化产业结构，并结合地区碳排放量，采取差异化碳减排措施，引导全民树立零废低碳生活风尚。

关键词：长三角;能源消费;碳排放;影响因素;LMDI

本文索引：刘芳，江海涛.基于LMDI模型的长三角城市能源消费碳排放影响因素分解研究[J].商展经济，2022（07）：-132.

中图分类号：F124.5 文献标识码：A

技术的发展不仅带来经济的高速增长，还导致碳排放增加，催生全球气候风险。减少能源消耗碳排放已经成为国际政治、经济、环境等领域关注的焦点。人类对保护环境的认识越来越深刻，中国作为最大的发展中国家在能源消费结构调整及碳减排方面肩负重要责任。长三角地区拥有中国经济结构最完整最活跃的城市群，以10%的人口，创造了全国20%的GDP。随着该地区三大产业的不断发展，各类能源被大量消耗，在推动经济增长的同时，也带来不可估量的环境影响。在“双碳”目标下，探究长三角地区能源碳排放影响因素，促进该地区碳减排，实现低碳、高质量经济增长具有重要意义。

1 文献综述

国内学者围绕碳排放与经济增长以及碳排放影响因素开展了多视角的研究。从内容看，Waheed等（2019）研究表明全球大多数国家和地区的碳排放突增都是因为其经济高速增长而消耗了大量化石能源造成的[1]。能源的大量消耗在造就经济增长的同时，还引发空气污染和碳排放增加。Dong等（2021）选取河南省12个主要工业碳排放行业作为研究对象，运用LMDI+Tapio解耦模型分析碳排放与经济发展的关系，并利用长期能源替代规划系统模型预测碳排放与经济发展的脱钩状态[2]。Akif等（2020）认为，在英国、加拿大和日本等G7国家，随着收入和能源消耗的增加，二氧化碳排放也在增加[3]。贺勇等（2021）基于STIRPAT研究了工业研发投入能源消费碳排放的影响进行定量分析[4]。从方法看，结构性因素分解法、自适应权重分解法、指数因素分解方法和EKC（环境库兹涅兹曲线）等被用于碳排放影响因素的确定。张仁杰和董会忠（2020）研究发现城市结构、产业结构都对碳排放有抑制作用;而当城市结构达到一定程度时，人口及产业的集中则变得有利于降低碳排放[5]。

2 研究方法与数据来源

2.1 LMDI模型构建

LMDI分解法是基于扩展的Kaya恒等式变化而来，旨在对一定时期内能源消费或碳排放变化的影响因素进行分解[6]。LMDI分解法有乘法模式和加法模式两种形式[7]。加法模式表达式如下：

其中，C是能源消费二氧化碳排放总量，Cij表示第j类能源在第i类产业中的二氧化碳排放量，是能源消费量，G表示经济总产值，反映经济产出效应，Si是某类产业碳排放量占碳排总量的比例，反映产业结构效应;Ii是第i类产业的单位GDP碳排放量，表征能源强度效应;Mi是某类能源在能源消费总量中的比例，反映能源结构效应;Fi代表各能源的碳排放系数。以C0和Ct分别表示基期和t期的碳排放水平，并用ΔC表示前后两期碳排放增量，则有：

2.2 数据来源

本文以长三角27个城市为研究区域，计算所使用的能源和GDP数据来自《中国能源统计年鉴》、各省统计年鉴， 参考IPCC推荐的方法对能源消耗碳排放进行测度。

3 结果分析

3.1 长三角城市能耗碳排放分区分析

本文对2005—2019年27个城市的平均能源消费量及平均碳排放量进行了整理计算，限于版面，数据在此不赘列。参考现有研究[8]，按27个城市年均平均值的1/2倍和2倍，将27个城市分为能源消费的高值区（>4800万吨/年）、中值区（1200～4800万吨/年）和低值区（<1200万吨/年）。即碳排放的高值区（>12000万吨/年）、中值区（3000～12000万吨/年）和低值区（<3000万吨/年）。结果表明上海、南京、苏州和杭州4个城市为能源消费高值区和碳排放高值区;无锡、常州、南通、宁波、温州、合肥和马鞍山7个城市为能源消费中值区和碳排放中值区;扬州、镇江等16个城市均为能源消费低值区和碳排放低值区。

3.2 长三角城市能源消耗碳排放影响因素分解分析

通过LMDI因素分解法对长三角城市2005—2019年能源消费碳排放变化量进行计算分析，如表1所示，得出经济产出效应、产业结构效应、能源强度效应和能源结构效应对长三角城市能源消费碳排放的影响效果。

首先，经济产出对长三角能源消费碳排放起拉动因素，总体上呈正效应。具体来说，在2005—2019年，由于长三角的经济飞速发展，碳排放也随之增加，十五年累计增加了256276.01万吨。经济产出效应在2012—2013年，尤为突出，达到了30547.47万吨，在2010—2011年拉动效应最小，为11391.2万吨。产业结构对长三角能源消费碳排放起拉动因素，总体上呈正效应。2005—2019年，产业结构累计使碳排放增加了35.76万吨。产业结构对能源消费碳排放的影响程度在2010—2011年最高，达到了11.28万吨。2015—2019年，产业结构变化对碳排放量的影响相对较小，并且在2016—2017年几乎没有影响。能源强度对长三角能源消费碳排放起抑制作用，总体上呈负效应。总体来说，能源强度在2005—2019年，累计使碳排放减少了144407.6万吨。2012—2013年，能源强度对碳排放量的抑制作用最为突出，使碳排放减少了23109.56万吨。2006—2007年，能源强度对碳排放量的抑制程度最小，为-3263.43万吨。能源结构对长三角能源消费碳排放起拉动作用，整体呈正效应。总体来说，能源结构2005—2019年，累计使碳排放增加了82.03万吨。能源结构效应在2016—2017年体现得较为突出，使碳排放增加了21.55萬吨，在2009—2010年影响力度较小，为1.14万吨。

因素分解结果显示，长三角近些年经济发展迅速，为满足其高速发展，对能源的要求也就处于高需求阶段，因此长三角的经济产出一直较高的拉动着长三角的碳排放量。长三角碳排放的产业结构效应处于阶段性的趋势，在2012年前因长三角为了经济发展大力追求第二三产业的发展，产业结构对碳排放起明显的拉动因素，自2012年以后，该地区产业结构趋于稳定，其碳排放的影响效应微弱了很多。而长三角的能源强度则恰恰与经济产出相反，虽然能源强度效应一直不是很稳定，但能源强度一直起着抑制长三角碳排放的作用。能源结构虽然近些年对长三角碳排放的影响程度不是很明显，但一直处于拉动效应，说明长三角能源消费还是过度的依赖煤炭化石能源，能源结构应往绿色环保方面发展。

4 结语

结合以上数据分析，本文提出促进长三角地区能源消费绿色转型的建议：（1）突破清洁能源技术应用瓶颈。加大对基础科学研究的支持力度，扶持一批关键清洁能源技术的研发与应用，降低清洁能源技术使用成本，同时充分发挥水力发电优势，弥补风力发电和太阳能发电中间歇性的不足。（2）大力发展数字经济和平台经济。在产业结构转型方面，对高能耗的产业进行转移，依托长三角科研资源和对外贸易优势，着力发展数字经济和平台经济，减少对能源消费的依赖。（3）各城市实施差异化的碳减排措施。属于高碳区城市要重点监测高碳行业和高碳企业，引导和鼓励企业进行低碳化运营，通过参与碳市场交易，平衡碳减排成本。（4）引导公民树立零废低碳生活理念。通过微信、抖音、快手等现代网络平台，加大低碳生活方式的宣传，营造低碳消费氛围，通过全民参与，积极建设零废低碳城市。

参考文献

Waheed， R.， Sarwar， S.， & Chen， W. The survey of economic growth， energy consumption and carbon emission[J]. Energy Reports， 2019（5）：1103-1115.

Dong， J.， Li， C. B.， Wang， Q. Q. Decomposition of carbon emission and its decoupling analysis and prediction with economic development： A case study of industrial sectors in Henan Province[J]. Journal of Cleaner Production，2021，129019.

Akif， D. M.， Muhammad， S.， Ilyas， O.， Shawkat， H.， & Avik， S. The relationship between economic growth and carbon emissions in G-7 countries： evidence from time-varying parameters with a long history[J].MPRA Paper， 2020，27，29100-29117.

賀勇，傅飞飞，廖诺.基于STIRPAT模型的工业研发投入对碳排放影响效应分析[J].科技管理研究，2021，41（17）：206-212.

张仁杰，董会忠，韩沅刚，等.能源消费碳排放的影响因素及空间相关性分析[J].山东理工大学学报（自然科学版），2020，34（1）：33-39.

徐国泉，蔡珠，封士伟.基于二阶段LMDI模型的碳排放时空差异及影响因素研究：以江苏省为例[J].软科学，2021，35（10）：107-113.

Yang， J. ， Cai， W. ， Ma， M. ， etal. Driving forces of China’s CO2 emissions from energy consumption based on Kaya-LMDI methods[J].Science of The Total Environment， 2019.

Han， X. J.， Yu， J. L.， Xia， Y.， Wang， J. J. Spatiotemporal characteristics of carbon emissions in energy-enriched areas and the evolution of regional types [J].Energy Reports，2021（7）： 7224-7237.