下载文档原格式
能源消费和碳排放论文2篇第一篇1海南省2015—2020年能源消费需求量预测海南省“十二五”时期全省生产总值年均增长10%左右的目标，取11.5%的年均GDP增长速度作为海南省经济增长的高速增长情景，10%为中速增长情景，8.5%为低速增长情景。
年平均人口增长速度为1.2451%(这是海南省1993—2012年人口平均增长速度)。
工业比重约为23%是海南省“十二五”规划的增长目标，工业增加值占GDP比重的年平均增长速度为7.92%。
把不同情景下2015—2020年海南省国民生产总值GDP，人口总数P，工业比重i代入协整方程，得到能源消费需求量的预测值，见表5。
2海南省2015—2020年能源消费结构预测研究海南省一次能源消费结构的主要特点是以煤炭、石油为主要地位，煤炭消费量的比例从2002年的28.9%上升到2012年的36.51%，天然气消费的比例从2002年的18.2%先上升到2004年的33.92%，后下降到2012年的22.74%，总的来说，各个能源消费呈上升趋势，特别是天然气和电力清洁能源消费量，与海南省是工业欠发达地区的实际情况相符合。
本文采用马尔科夫链预测模型预测2015—2020年海南省能源消费结构。
具体步骤为：首先确定预测的基准年;第二计算转移概率矩阵;第三利用模型预测下一个状态的能源消费结构;最后对预测结构利用有规划约束条件调整转移概率矩阵。
因为海南省“十二五”规划期间新能源替代常规能源达到250万t，占全省能源消费总量12.5%以上，对石油和天然气消费的比重没有明确的规划目标，所以对能源消费结构发展规划实行必要的修正。
本文假设石油的发展趋势没改变，天然气和电力能源的增加由煤炭减少补充。
经过修正后，能源消费结构的概率转移矩阵中，变化的仅仅是煤炭→电力，煤炭→天然气的转移概率，其他的保留概率不变。
以2012年作为基准年，利用Mathlab软件计算得到约束条件下平均转移概率矩阵为。
技术经济与管理研究2004年第5期T echnoeconom ics&M ana g em ent Research NO.52004基于LEAP模型的中国未来能源发展前景研究哈尔滨工业大学管理学院迟春洁于渤张弛[摘要]应用情景分析方法和LEAP模型的计算,对中国可供选择的能源供需前景进行探讨。
根据未来20多年里中国社会经济发展趋势,结合中国的发展现状,设计了三种方案四种情景。
通过计算得到了不同方案下各时期的能源需求量以及温室气体排放量。
计算结果表明,到2020年中国终端能源需求在21—30亿吨标煤之间。
提高能源效率、优化能源结构是实现能源可持续发展战略,以及实现经济目标的相对更加有效保证。
[关键词]能源发展前景;情景分析;LEAP模型中国新世纪的头一个五年计划的开端良好,能源生产总量和消费总量双双创造了历史最高记录,有力地保证和促进了国民经济的快速增长。
但中国能源发展中的基本矛盾依然存在。
如何找到适应中国能源发展实际问题的双赢对策,是迫切需要研究解决的问题。
本文采用情景分析并结合相应模型方法,通过运算定量描述未来能源需求状况,探讨要实现既定的经济发展目标时,中国有哪些可供选择的能源供需前景,为制定能源政策提供参考。
1情景分析方法与LEAP模型以趋势外推为基础的传统预测技术对于不确定环境中的组织的预测存在一定的局限性,不能适应处于瞬息万变环境中的决策者的需要,情景分析方法便应运而生,并且已经成为未来研究的主要工具之一。
情景展示了未来可能的发展方向。
在进行情景设定之前,需要对过去的发展历史现状进行回顾分析,然后对未来的发展趋势进行一系列假定,接着对政策措施、经济状况和技术水平等因素进行有目的性的设定,确立某些未来希望达到的目标,借助一些模型工具进行量化,得出相应的预测结果,最后分析达到这一目标的可行性及需要采取的措施。
近年来,许多国外著名能源机构或大公司都不同程度地利用情景分析法进行中长期的能源发展展望或投资决策,其中壳牌集团做得最为出色。
广东省某市碳达峰预测研究——基于Kaya模型和情景分析
法
杨月明
【期刊名称】《环境保护与循环经济》
【年(卷),期】2024(44)4
【摘要】按照国家在2030年前碳排放达峰、力争在2060年前实现碳中和的愿景,结合广东省某市实际及中长期发展规划,运用Kaya模型和情景分析法,对该市碳达峰时间、峰值进行预测和情景分析。
研究结果表明,该市碳排放量在强化低碳情景下将在2025年达到峰值。
【总页数】4页(P98-101)
【作者】杨月明
【作者单位】佛山电建绿色能源有限公司
【正文语种】中文
【中图分类】X321
【相关文献】
1.基于LEAP模型和KAYA模型的主城区碳达峰预测及不确定性分析
2.中国煤炭产区碳排放影响因素及碳达峰组合情景预测——基于LMDI和门限—STIRPAT模型
3.基于STIRPAT模型的河北省碳达峰情景预测研究
4.基于LEAP模型的长三角某市碳达峰情景
5.基于LEAP模型的县域碳达峰情景预测分析
因版权原因，仅展示原文概要，查看原文内容请购买。
中国城乡居民生活消费碳排放变化的比较研究范建双;周琳【摘要】基于碳排放系数法估算了1997～2015年中国城镇、农村和整体(包含城镇和农村)居民生活消费引起的直接碳排放量,进一步采用Dagum基尼系数和Kernel密度函数估计方法对中国城镇和农村居民生活消费碳排放的地区差距及分布动态进行实证研究.同时,采用乘积式对数平均迪式指数模型(M-LMDI)分析了直接能源消费强度、居民人均消费水平和单位能源碳排放强度3大因素对居民消费碳排放变化的影响,并重点考察了各省份相关变量对生活消费碳排放影响的城乡差异.结果表明:(1)中国城镇和农村居民人均生活消费碳排放量在研究期内呈现逐年递增的趋势,在空间上均存在显著非均衡特征.(2)中国居民人均生活消费碳排放的地区总差异呈现波动下降的趋势,从1997年的0.379下降到201 5年的0.244.1997～1999年城镇和农村居民生活消费碳排放的组间差距是城乡差距的主要来源,其贡献率超过50％.2000年后组内差距成为城乡差距的主要来源,其贡献率均大于40％并超过了组间差距.(3)城镇和农村居民人均生活消费碳排放均在增加,地区差异均在扩大.(4)对全国居民生活消费碳排放变动贡献最大的省区是内蒙古,累计贡献值达0.1005.贡献最小的省区是云南,累计贡献值为0.0125.(5)农村的能源消费强度和人均消费水平的贡献程度在研究期内均大于城镇,单位能源碳排放强度在两个地区的贡献水平表现出了波动性.【期刊名称】《中国环境科学》【年(卷),期】2018(038)011【总页数】15页(P4369-4383)【关键词】城镇居民;农村居民;生活消费;碳排放;Dagum基尼系数;LMDI【作者】范建双;周琳【作者单位】浙江工业大学经贸管理学院,浙江杭州310023;浙江工业大学技术创新与企业国际化研究中心,浙江杭州310023;浙江工业大学经贸管理学院,浙江杭州310023;浙江工业大学技术创新与企业国际化研究中心,浙江杭州310023【正文语种】中文【中图分类】X24随着科技进步和城镇化进程的加速,人们的生产和生活方式发生了改变,能源消耗结构也发生改变,消耗数量不断增加,给全球碳减排带来了巨大压力.随着家庭能源需求的不断上升,人们开始意识到居民生活消费所引起的直接和间接碳排放,已经或者即将成为新的碳排放增长点.在一些城镇化水平较高的发达国家,家庭能源消费已经超过工业部门,成为重要的碳源[1].随着中国刺激消费和拉动内需政策的进一步实施,我国未来居民消费模式变化引起的能源消耗数量和结构变化必将对碳排放产生越来越重要的影响[2].同时,城镇和农村作为承载人类生活和生产的两种不同空间载体,二者之间在诸多方面存在较大差异.而作为在城镇和农村从事生产和生活的主体,居民的消费行为和消费方式也截然不同,从而导致能源消耗结构和数量存在较大差异.随着城镇化进程的加速,不断有农村居民向城镇转移和集聚,这在导致能源消耗结构和数量发生变化的同时,也引起了碳排放的变化.中国的城镇化率已经由1978年的17.92%增加到2015年的56.10%,期间增长了3倍多.城镇人口增加的同时农村人口在不断减少,相应的城镇居民和农村居民生活消费也发生了巨大变化,势必导致生活消费碳排放发生重要变化.同时考虑到我国不同区域之间的经济发展水平差异较大,碳排放与区域经济发展之间存在长期均衡关系[3].因此,从城乡差异的视角考察居民消费碳排放的规模和结构特征,并基于历史数据测算各省区相关变量与全国城乡居民消费碳排放之间的数量关系,并对城乡差异进行比较,对于综合权衡城乡和区域间的碳减排目标具有重要的现实意义.由于发达国家基本完成了城镇化建设,家庭部门是仅次于工业部门的第二大能源消耗主体.因此,早期对于居民消费碳排放的研究更多集中在这些发达经济体,如美国[4]、英国[5]、丹麦[6-7]、西班牙[8]和希腊[9].这些文献均认为不同的家庭消费模式和消费水平均会对其碳排放产生影响.近年来,针对中国居民生活消费碳排放的相关研究逐渐增多.目前相关的研究主要集中在以下四个方面:一是将城镇和农村作为整体进行研究.如冯蕊等[10]、查建平等[11]、顾鹏等[12]采用碳排放系数法分别估算了天津市和全国城乡整体居民生活消费碳排放量.在对居民生活消费碳排放进行测度的基础上,有学者开始关注其驱动机制,如Feng等[13]采用灰关联方法检验了中国城乡整体居民消费对碳排放的影响.李艳梅等[1]采用面板数据模型重点考察了城镇化对家庭直接和间接碳排放的影响,并考虑了省际间的区域差异.更多的学者采用因素分解方法对城乡整体居民生活消费碳排放的驱动因素进行分析,主要采用指数分解模型[14-17]和结构分解模型 [18-20]两类方法.二是重点关注城镇居民生活消费碳排放.如张艳等[21]测算了我国287个地级市的城市居民消费碳排放及其空间分布,并探索其影响因素.万文玉等[2]对我国各省城市居民生活消费碳排放的时空演变特征进行分析,并利用面板数据模型分析了影响城市居民生活能源碳排放的主要因素.三是将研究视角聚焦到农村地区.如田宜水等 [22]则采用LEAP模型对2020年中国农村居民生活用能需求和碳排放情况进行了情景模拟.Chen等 [23]对中国农村居民消费的可再生能源产生的碳排放进行了测算.Wu等[24]采用问卷调查和多元线性回归方法对丽江农村居民生活消费碳排放的驱动因素进行了研究.四是对城乡差异进行比较.如李艳梅等[25]发现,城镇的户均直接能源消费和碳排放一直高于农村,但差距正在缩小,原因在于城镇直接能源消费强度下降、直接能源消费结构优化、家庭规模缩小所产生的节能减排效应逐步增大,抵消了人均消费水平提高所产生的增能增排效应.彭水军等[26]采用投入产出和结构分解方法进行研究,发现居民消费碳排放绝大部分都来自城镇居民的消费活动.除了城乡之间碳排放量的差异,进一步的有学者开始关注城乡间碳排放驱动因素的差异.如Zha等[27]通过对比研究,发现人口效应是城镇居民消费碳排放的主要促增因素,但却是农村居民消费碳排放的主要促减因素.张馨等[28]通过比较分析发现,在不考虑其他因素的前提下,农村居民转化为城镇居民会导致碳排放量的增加.这种变化反映了城乡居民生活水平的差异,发展趋势上表现为居民的消费行为由生存型向发展型转变.张友国[29]发现人口规模差异和人均消费水平差异是缩小城乡居民碳排放差异的重要因素.Zhang[30]进一步发现城镇间接生活消费碳排放的增加源于消费支出的增长,而农村地区的增长不显著.城镇直接生活消费碳排放的下降源于能源结构的变化,而农村地区的下降不显著.上述研究对中国城镇和农村居民生活消费碳排放进行了系统的测算、比较和驱动因素分析,并得出了有价值的结论.但是仍然存在两点不足:一是对中国城乡差异的比较研究均是以全国层面数据为研究样本,目前还缺乏基于省域层面的城乡比较;二是对城镇、农村居民生活消费碳排放的因素分解过程中未考虑分省贡献. 因此,本文基于中国30个省区1997~2015年的面板数据,采用Dagum基尼系数和Kernel密度函数估计方法对中国城镇和农村居民生活消费碳排放的空间差距及分布动态进行实证测度,将有助于我们掌握生活消费碳排放城乡差距的大小和演进趋势.并且进一步系统识别各省区相关变量对中国城镇、农村和整体居民生活消费直接碳排放的影响机制,并对三者之间的差异进行比较分析,这是现有文献鲜有涉及的.本研究发现中国居民人均生活消费碳排放的城乡差距总体上呈现下降趋势,但是农村居民人均生活消费碳排放的增长率要远高于城镇.该研究发现不仅是对现有文献的有益补充,而且能够更好的为环境政策制定和实施提供借鉴和参考.居民生活消费引起的碳排放包括直接碳排放和间接碳排放两部分.本文仅分析居民生活消费直接碳排放,并根据《中国能源统计年鉴》地区能源平衡表中城镇、农村和整体生活消费的20种能源消费量进行计算.由于20种能源包括了原煤、洗精煤、其他洗煤、型煤、焦炭、焦炉煤气、其他煤气、原油、汽油、煤油、柴油、燃料油、液化石油气、炼厂干气、天然气、其他石油制品、其他焦化产品和其他能源18种化石能源以及电力、热力的二次能源消费两部分.因此,借鉴已有文献的思路,本文采用如下公式对城镇和农村居民生活消费碳排放量进行测算:式中:Ck表示第k省区的城镇/农村/整体居民生活直接消费碳排放总量;Cjk表示第k省区的城镇/农村/整体第j种化石能源消费碳排放量;j=1,2,…,18 指18类化石能源类型;Cek和Chk分别表示第k省区的城镇/农村/整体居民生活电力和热力的二次能源消费产生的碳排放量;Ejk表示第k省区的城镇/农村/整体居民生活第j类化石能源终端消耗量;Ojk表示第j类化石能源的碳氧化率;CFjk表示第j类化石能源的碳排放因子;LCVjk表示第j类化石能源的平均低位热值;Eek表示第k省区的城镇/农村/整体居民生活电力消费量;Ehk表示热力消费量;δek表示第k省区电力消费的碳排放系数;δhk表示第k省区热力消费的碳排放系数.1.2.1 Dagum基尼系数及其分解方法在对城镇和农村居民生活直接消费碳排放量进行有效测度的基础上,本文进一步采用Dagum 基尼系数来分析城镇和农村之间以及地区之间的差距.不同于传统的基尼系数,Dagum基尼系数不仅能够有效识别地区间差距的来源,而且能够描述子样本的分布情况,并有效解释子样本之间交叉项的问题[31].Dagum基尼系数[30]的表达式如下:式中:G为基尼系数,表示总体差距;表示基尼系数总的平均差;yji (yhr) 是j(h) 地区内任意一个省份的居民人均生活直接消费碳排放量;表示全国城乡居民人均生活直接消费碳排放量的平均值;n表示全部省份的数量;k表示地区个数;nj(nh)表示j(h)地区内省份的个数.在进行基尼系数分解的过程中,首先要根据地区内居民人均生活直接消费碳排放量的均值进行排序,形式如下:按照Dagum基尼系数的分解方法,可以将基尼系数分解为3个部分:地区内差距的贡献(Gw)、地区间差距的贡献(Gnb)和超变密度的贡献(Gt).其中,超变密度是划分子样本时交叉项对总体差距(G)的影响,四者之间关系为:G= Gw+ Gnb+ Gt.各部分的计算公式如下:式中:pj=nj/n表示地区份额;表示j地区碳排放份额,j=1,2…,k;Gjj表示j地区的基尼系数;表示j地区的基尼系数平均差;Gjh表示j、h地区的地区间基尼系数;表示j、h 地区间的基尼系数平均差.Djh表示j和h地区间居民人均生活直接消费碳排放量的相对影响,其定义如公式(9)所示,根据Dagum[32]引理1和引理2可知,根据引理3可知=djh+pjh,因此Gnb、Gt也可表示为:根据以上方法,测算和分解了全国30个省区之间以及城镇和农村之间1997~2015年居民人均生活直接消费碳排放量空间分布的基尼系数并进行了地区分解.1.2.2 Kernel密度估计本文进一步将各省份的居民人均生活直接消费碳排放量的空间特征引入到时间坐标轴上进行动态评价,并采用Kernel密度估计来分析时间特征.Kernel密度估计方法能够对全国居民人均生活直接消费碳排放量的整体空间差异进行分析,并且通过观测核密度函数曲线峰值和宽度的变化,能够对全国、城镇和农村居民人均生活直接消费碳排放量的总体差异的分阶段动态变化进行可视化表达.假设随机变量X的密度函数为f(x) ,则在点x的概率密度可以由下式进行估计:式中:N为观测值的数量;h表示窗宽, , ;K(·)是核密度函数,它是一种加权函数或平滑转换函数;Xi为独立同分布的观测值,x为均值.本文采用高斯核函数进行估计,其表达式为:结合核密度函数图,就可以对居民人均生活直接消费碳排放量的取值在不同观察期的变化进行有效判断,进而刻画其动态特征.目前对碳排放进行因素分解的指数分解方法主要有算术平均 Divisia 指数分解法(AMDI)和对数平均 Divisia指数分解法(LMDI).AMDI 取两个端点值的算术平均数为权数,简单易行,但分解结果存在残差.LMDI方法分解无残差,对零值与负值数据能进行有效的技术处理,并且对于乘法和加法的分解结果具有总和一致性的优点.同时,考虑到加法模型更适合排放数量指标,而乘法模型更适合排放效率指标(如碳排放强度、人均碳排放量等).由于本文采用居民人均生活消费碳排放量(以下简称CP)作为分解指标,即排放效率指标,因此采用乘积式LMDI(M-LMDI)方法进行分析,首先将中国城镇、农村和整体CP分解为30个省区3个变量的乘积之和的形式:式中:CP(t)表示全国城镇/农村/整体居民t时期的人均生活直接消费碳排放量;C(t)和Ck(t)分别表示全国和第k省区城镇/农村/整体居民生活直接消费碳排放总量;p(t)和Pk(t)分别表示全国和第k省区城镇/农村/整体人口数量;k=1,2,…,30指30个省区;Ek(t)表示第k省区城镇/农村/整体居民生活直接能源消费总量;Tk(t)表示第k省区城镇/农村/整体居民生活消费支出总额.式(14)可以进一步表达为:式中:CEk(t)=Ck(t)/Ek(t)表示单位能源碳排放强度; ETk(t)=Ek(t)/Tk(t)表示能源直接消费强度,即单位消费支出的直接生活能源消费量;TPk(t)=Tk(t)/ Pk(t)表示人均消费支出,表征人均消费水平.根据M-LMDI方法对式(3)进一步分解,则可以得到相邻2个时段(t期~t+1期)居民人均生活直接消费碳排放量的变化可以表达为:用来表示全国城镇/农村/整体CP值从t时期到t+1时期的变动情况,并且分解为30个省区的3种因素变动的加权平均值之和.是权重函数在时刻的函数值.本文采用Sato-Vartia 指数来测度,即:可以运用下列的对数平均函数求取:基于上述理论模型,本文选取中国30个省区1997~2015年的面板数据为研究样本.主要搜集4组数据:30个省区城镇、农村和整体的居民生活直接能源消费数据、生活消费支出数据、人口数据和居民生活直接消费碳排放数据.其中,城镇、农村和整体的居民生活能源消费数据来源于1998~2016年《中国能源统计年鉴》中各省区的地区能源平衡表.平衡表中的20类能源的统计单位不统一,本文按照《中国能源统计年鉴》2016中所附的各类能源的折标准煤参考系数将20类能源的单位统一转化成万t标准煤;城镇、农村和整体人口数据来源于1998~2016年《中国统计年鉴》;城镇、农村和整体居民生活消费支出总额数据来源于1998~2016年《中国统计年鉴》,由于年鉴中仅公布了各省区城镇和农村的人均生活消费支出数据,本文结合该数据和人口数据推算出城镇和农村地区的居民生活消费支出总额数据,二者加总后得到整体居民生活消费支出总额数据,并进一步将数据以1997年为基期进行了平减.平减采用的国内生产总值价格指数来自历年《中国统计年鉴》;城镇、农村和整体居民生活直接消费碳排放数据采用碳排放系数法进行间接测算(具体测算过程参见1.1节);18种化石能源的碳排放系数来自IPCC;各省电力的碳排放系数来自于《关于公布2009年中国区域电网基准线排放因子的公告》;热力的碳排放系数参考了李艳梅等[1]的数据.1997~2015年期间中国城乡CP值均呈现逐年递增的趋势,且城镇CP值明显高于农村,为了进一步分析地区差异,本文利用ArcGIS的自然点断法绘制了1997年、2015年中国城镇和农村CP值变化的空间分布图,如图1所示,城镇和农村CP值在空间上均存在显著非均衡特征.1997年城镇CP值东部和西部差异较大,中部地区较为集聚,山东、江苏、安徽、湖南和贵州一带城镇CP值最低;2015年北部地区城镇CP值增加较快,呈现向东北地区集聚的趋势,各碳排放水平的集聚区域明显,总体看来东北和西部地区大于中部地区和东部地区.1997年中部地区农村CP值较高且较为集聚,东部地区相对最低;2015年农村CP值逐渐呈现出较大的东西集聚差异,东部地区农村CP值明显高于北部地区,并呈现向东南地区集聚的趋势.2.2.1 城镇和农村居民两组人群之间差距及其来源分解根据Dagum基尼系数分解方法,对城镇和农村CP进行测算和分解,结果如表1所示.1997~2015年期间中国整体CP的城乡差距总体上呈现波动下降趋势,具体而言,1998~2005年城乡差距缩小速度较快,2006~2011年城乡差距缩小速度较为缓慢, 2012年以后城乡差距缩小速度又开始加快,2015年达到最小值0.235.从组内差距(指城镇或者农村居民人群内部区域之间的差距)来看,研究期间内城镇居民组内差距变动呈现波动状态, 1998~2004年呈现“U”型态势,2005年之后呈现出缓慢的增长趋势.农村地区组内差距在1997~2015年呈现逐年缩小的发展态势.相比较而言, 1997~2011年农村地区的组内差距总是大于城镇地区,2012年以后则出现了反转,城镇地区组内差距大于农村地区.从组间差距(指城镇居民和农村居民两组人群之间的差距)来看,1997~2015年其变动趋势与总体差距类似,均呈现波动下降趋势,CP差距在缩小.从两组人群差距的来源看,1997~2015年CP的组内差距和超变密度的贡献率呈现上升趋势,而组间差距的贡献率则呈现下降趋势.具体来说,1997~ 1999年期间,城镇和农村CP的组间差距贡献率最大,是城乡差距的主要来源;2000年后,组内差距的贡献率超过了组间差距,成为城乡差距的主要来源.从基尼系数分解结果来看(图2),1997~2015年组内差距呈现轻微波动状态,总体有轻微的下降趋势,从1997年的0.139下降到2015年的0.117,说明研究期内的组内差距变动不明显;组间差距呈现波动下降趋势,从1997年的0.202下降到2015年的0.064,这说明组间差距对城镇与农村CP差距的影响在逐渐变弱,并且以2002年为分界线,之前年份组间差距为总体差距的主导因素,而之后年份主导因素则变为组内差距;超变密度在研究期内呈现出波动上升的发展态势,从1997年的0.038上升到2015年的0.062.除了2011和2013年之外,其取值始终低于组内差距和组间差距,不难得出,组内差距和组间差距的交互作用使得总体差距呈现出波动下降的趋势,从1997年的0.379下降到2015年的0.244.即组内差距和组间差距的同时下降是导致总体差距下降的主要原因.即城镇和农村之间的总体CP差距呈现出缩小的发展态势,这与李艳梅等[23]的研究结论保持一致.但是城乡差距缩小的原因并不在于城镇地区CP值的下降,而是农村CP值的增长速度远高于城镇地区导致的. 2.2.2 地区差距及其来源分解本文进一步依次对全国整体、城镇和农村CP的地区差异分别按东部、中部和西部地区进行测算和分解,其中东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南;中部地区包括山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南;西部地区包括四川、重庆、贵州、云南、陕西、甘肃、宁夏、新疆、广西、内蒙古.结果如表2、表3和表4所示.从表2可知,东部地区的地区内差距最大(均值0.257),其次是西部地区(均值0.253),中部的地区内差距最小(均值0.206);东部和中部地区整体CP值的地区间差距最大(均值0.276),其次是东部和西部地区(均值0.275),中部和西部的地区间差距最小(均值0.248).从发展趋势来看,东部地区的地区内差距呈现出明显的下降趋势,从1997年的0.308下降到2015年的0.164,说明东部地区内部的各省区之间的差距在不断缩小;中部地区的地区内差距在研究期内表现出了波动状态,但是波动幅度不大,基本稳定在0.2左右波动,并呈现轻微的下降趋势,从1997年的0.202下降到2015年的0.179,这说明中部地区内部各省区之间的差距变化不大;西部地区的地区内差距同样呈现出了波动中下降的发展趋势,但是波动的幅度要明显高于中部地区,从1997年的0.262下降到2015年的0.224.从中国城乡整体东部、中部和西部地区差距的来源和贡献率来看,研究期内超变密度的贡献率取值均最高,研究期内保持在40%左右波动,说明CP的地区内差距和地区间差距的交互作用是总体差距的主要来源;贡献率次之的是地区内差距,研究期内维持在30%以上的区间内小幅波动;贡献率最低的是地区间差距,并且在研究期内呈现出剧烈波动,总体上呈现出一定的上升趋势.表3展示的是城镇CP的基尼系数及其分解结果.从基尼系数可知,西部地区城镇CP 的地区内差距最大(均值0.269),其次是东部地区(均值0.254),中部的地区内差距最小(均值0.222);东部地区和西部地区城镇CP的地区间差距最大(均值0.279),其次是中部地区和西部地区(均值0.270),东部和中部的地区间差距最小(均值0.262).从发展趋势来看,中部地区和西部地区城镇CP的地区内差距在研究期内呈现出波动中上升的发展态势,分别从1997年的0.135和0.200上升到2015年的0.260和0.279;东部地区则呈现出波动中下降的发展态势,从1997年的0.241下降到2015年的0.208;三大区域城镇CP的地区间差距均表现出波动中上升的发展趋势.从城镇CP地区差距的来源和贡献率来看,除了2004年以外,研究期内超变密度的贡献率取值均最高,并在2007年达到最高值(63.06%),并在研究期内呈现出波动上升的发展态势,这说明超变密度是总体差距的主要来源;贡献率次之的是地区内差距,其取值在研究期内始终保持在30%以上,波动幅度较低,基本维持在32%~34%的区间内波动;贡献率最低的是地区间差距,在研究期内波动剧烈,2007年的最低值(3.16%)和2004年的最高值(33.90%)之间差距较大,并且从时间趋势上呈现出了明显的波动下降态势.表4展示的是农村CP的基尼系数及其分解结果.从基尼系数可知,东部地区农村CP 的地区内差距最大(均值0.340),其次是西部地区(均值0.251),中部的地区内差距最小(均值0.224);东部地区和中部地区农村CP地区间差距最大(均值0.399),其次是东部地区和西部地区(均值0.369),中部地区和西部地区的地区间差距最小(均值0.263).从发展趋势来看,东部、中部和西部地区农村CP的地区内差距均呈现出了波动降的态势,分别从1997年的0.511、0.352和0.299下降到2015年的0.172、0.092和0.133;从地区间差距来看,东部与中部、东部与西部、中部与西部在研究期内均呈现下降趋势,分别从1997年的0.509、0.447和0.366下降到2015年的0.258、0.283和0.119,降幅明显,说明中国农村CP的地区间差距有明显的缩小.从中国农村东部、中部和西部地区差距的来源和贡献率来看,研究期内地区间差距的贡献率最高(均值为45.81%),说明地区间差距是总体差距的主要来源;贡献率次之。
收稿日期:2006-09-01作者简介:徐国泉,博士生,研究方向为资源效率与区域可持续发展。
*国家自然科学基金项目:中德老工业基地 技术进步 资源效率 创新模式比较研究(70440004)和大连理工大学科技伦理与科技管理 985工程 创新基地资助。
中国碳排放的因素分解模型及实证分析:1995-2004*徐国泉 刘则渊 姜照华(大连理工大学21世纪发展研究中心,辽宁大连116024)摘要 能源消费是碳排放的主要来源。
随着中国经济的快速发展,能源消费的急剧增长以及以煤为主的能源结构在短期内很难改变,因此,碳排放不可避免地会出现一定幅度的增加。
本文基于碳排放量的基本等式,采用对数平均权重Divisia 分解法(Logari thmi c mean wei ght Divisia meth od ,L MD),建立中国人均碳排放的因素分解模型,定量分析了1995-2004年间,能源结构、能源效率和经济发展等因素的变化对中国人均碳排放的影响,结果显示经济发展对拉动中国人均碳排放的贡献率呈指数增长,而能源效率和能源结构对抑制中国人均碳排放的贡献率都呈倒 U 。
这说明能源效率对抑制中国碳排放的作用在减弱,以煤为主的能源结构未发生根本性变化,能源效率和能源结构的抑制作用难以抵销由经济发展拉动的中国碳排放量增长。
关键词 碳排放;因素分解;能源效率;能源结构中图分类号 N94 文献标识码 A 文章编号 1002-2104(2006)06-0158-042005年2月16日, 京都议定书 的生效,给中国带来了非常现实的、严峻的挑战。
目前,中国二氧化碳的排放量已位居世界第二,随着中国经济的快速发展,碳排放不可避免地会出现一定幅度的增加。
因此,如何控制和减少中国碳排放的问题成为国内外讨论的热点问题之一。
1995-2004年,中国人均碳排放大致可以分为两个阶段:第一阶段(1995-2000年),中国人均碳排放降低阶段;第二阶段(2000-2004年),中国人均碳排放急剧上升阶段。
目录我国温室气体来源与减排举措1、减排重点和节奏2、政策要求和发展规划3、从能源系统整体看减排框架我国温室气体来源与减排举措1、减排重点和节奏1.1 总体减排节奏预计我国减排分为三个阶段，2020-2030 年属于峰值平台期，2030-2035 年逐步减排，2035 年之后加速减排。
基于清华气候院对于我国不同情境下CO排放路径的研究，2030 年前碳达峰目标对应于研究中所设强化政2策情景，2060 年碳中和目标位于2°C 情景和1.5°C 目标情景之间。
当前由于能源和经济体系惯性，难以迅速实现2°C和1.5°C 情景的减排路径。
预计2030 年前碳达峰后，再加速向2060 年碳中和目标逼近。
基于前文所述2°C 和1.5°C 情景分别对应于全球2070 年、2050 年左右碳中和，则2060 年碳中和路径将位于2°C 路径和1.5°C 路径之间。
•政策情景：CO2 排放2030 年左右达峰，2050 年下降到约90 亿tCO2；•强化政策情景：2030 年前达峰，2050 年下降到约62 亿tCO2；•2°C 情景：2025 年左右达峰，2050 年下降到约29 亿tCO2，再加上CCS 和森林碳汇，净排放约20 亿吨，人均排放约1.5t；• 1.5°C 情景：2025 年前达峰，2050 年下降到约12 亿tCO2，再加上CCS 和森林碳汇，基本实现CO2 零排放。
图28：我国中长期CO2 减排路径1.2 分部门减排重点和达峰节奏2020 年我国CO2 排放占温室气体总排放量的82.3%，能源相关CO2 排放占72.7%。
据清华大学气候院测算，2020 年我国温室气体排放总量约137.9 亿tCO2e，考虑农林业增汇，净排放量约130.7 亿tCO2e。
其中，CO2 排放由能源相关CO2 排放和工业过程CO2 排放构成，总量为113.5 亿t，占温室气体排放总量的82.3%；能源相关CO 2 排放为 100.3 亿t ，占温室气体排放总量的 72.7%。
碳市场发展与碳价格预测研究随着全球气候变化的日益严重，减少温室气体排放成为了各国共同的责任。
碳市场作为减排手段之一，在全球范围内得到了广泛关注和应用。
本文旨在探讨碳市场的发展情况，并对未来的碳价格进行预测。
碳市场发展的背景碳市场是指通过购买和出售排放配额来限制温室气体排放的一种机制。
在碳市场中，政府设定一定的碳排放配额，企业可以购买这些配额来弥补超过配额的排放量，也可以出售自己未使用的配额。
碳市场通过市场交易的方式，推动企业减少排放，促进低碳经济的发展。
碳市场自诞生以来，经历了从非正式市场到正式市场的转变。
最早的碳市场可以追溯到20世纪80年代，当时一些国家开始试行碳排放交易政策。
随着《京都议定书》的签署和生效，全球范围内的碳市场得到了极大发展。
特别是欧洲碳市场（EU ETS），作为全球最大的碳市场，为其他地区的碳市场提供了宝贵的经验。
碳市场发展的现状截至目前，全球范围内已有100多个国家启动了碳市场建设。
其中，欧洲碳市场是最早成立的，也是规模最大的。
欧盟的碳交易体系于2005年启动，目前覆盖28个成员国及挪威、冰岛、列支敦士登和瑞士。
欧盟碳市场通过配额的分配和交易，使得碳排放成为一种有经济价值的资源，推动了企业减排的积极性。
此外，澳大利亚、新西兰、韩国、加拿大等国家和地区也相继推出了自己的碳市场。
这些国家和地区在碳市场设计和运作上各有特色，但目标都是一样的：通过碳定价机制，实现温室气体减排措施的实施。
碳价格预测的方法预测碳价格是为了帮助企业和政府做出减排决策的重要工具。
然而，碳价格的预测是相对复杂的，因为它受到多个因素的影响，包括经济环境、政策法规和市场供需等。
一种常用的方法是基于经济模型，通过建立假设的经济增长路径和减排政策情景，预测未来碳价格的走势。
这种方法可以反映碳市场的供求关系，但仍然受到经济预测的不确定性的影响。
另一种方法是基于历史数据和技术趋势，通过分析过去的碳价格和减排政策的效果，来预测未来碳价格的变化趋势。
中国中长期能源发展及碳排放情景分析研究部门分报告之一中国交通运输部门中长期能源发展与碳排放情景设计及其结果分析(P1-50)北京能源效率中心朱跃中部门分报告之二中国中长期钢铁工业提高能效与碳排放情景分析研究(P51-90)北京能源效率中心刘志平中国中长期能源发展及碳排放情景分析研究部门分报告之一中国交通运输部门中长期能源发展与碳排放情景设计及其结果分析北京能源效率中心朱跃中总课题组组长周大地研究员国家发展计划委员会能源研究所所长戴彦德研究员国家发展计划委员会能源研究所所长助理分课题组长朱跃中助研国家发展计划委员会能源研究所效率中心报告执笔人咨询专家吴文化副研究员国家发展计划委员会综合运输所副主任李宏范处长交通部体改司经济协调处刘志峰高工中交企协交通能源管理委员会副理事长总校审改戴彦德研究员目录一、方法论介绍 (6)（一）情景分析法简介 (6)（二）本项目研究方法的考虑 (7)二、LEAP模型分析框架及影响因素 (8)（一）LEAP模型分析框架 (8)（二）主要影响因素 (11)1、宏观社会经济因素 (11)2、燃料效率水平 (11)3、政策因素 (12)三、情景分析与预测方案选择 (13)（一）参考方案的基本情景假定 (14)1、宏观社会经济的基本假定 (14)2、国家能源发展战略的基本假定 (15)3、交通运输结构的基本假定 (17)4、燃料效率水平的基本假定 (20)5、环境因素的基本考虑 (22)（二）交通模式变化方案的基本情景假定 (24)（三）高效清洁方案的基本情景假定 (27)四、模型预测所需的基本输入数据 (29)（一）城市客运 (29)1、模型预测中所需的参数与数据 (31)2、具体指标的推算说明 (32)3、相关的背景研究 (34)（二）货运与城间客运 (35)1、模型预测中所需的参数与数据 (36)2、具体指标的推算说明 (36)3、相关的背景研究 (37)五、模型预测结果分析 (40)（一）参考方案 (41)1、基本输入数据 (41)2、预测结果分析 (45)2.1 能源需求结果分析 (45)2.2 碳排放结果分析 (48)（二）交通模式变化方案 (49)1、基本输入数据 (49)2、预测结果分析 (53)2.1 能源需求结果分析 (53)2.2 碳排放结果分析 (56)（三）高效清洁方案 (57)1、基本输入数据 (57)2、预测结果分析 (60)2.1 能源需求结果分析 (60)2.2 碳排放结果分析 (63)（四）不同方案结果的分析比较 (64)1、能源需求结果比较 (64)2、碳排放结果比较 (67)六、主要结论和政策建议 (69)（一）主要结论 (69)（二）政策建议 (74)主要参考文献 (77)一、方法论介绍（一）情景分析法简介在进行项目评估或者对未来社会、经济发展进行预测研究时，人们往往会借助一些分析工具辅助他们的决策或研究工作。
特别是70年代计量经济学的快速发展，为这些工作提供一系列的预测分析模型工具。
对能源预测（如能源需求预测、油价预测、石油市场预测等等）而言，人们经常采用的预测方法主要是趋势外推法，其基本方法是从现状出发，根据人们对发展趋势的认识，推测未来可能的状态。
外推的具体方法有很多种，如加总式的部门分析法，各种数量经济模型方法等。
这类方法比较符合人们通常的思维方式，可以较充分地考虑人们已经认识到的一些规律和约束条件。
但是，趋势外推方法也有其缺点和局限。
如在经济系统本身结构性变化比较大时，这些模型方法往往难以模拟这些变化，尤其是在预测时段较长时，这种局限尤为明显。
近十多年来，国际上一些机构开始采取情景分析的方法，对所要预测的对象进行分析研究。
所谓情景，它既不是预言，也不是预测，它只是展示了未来可能的发展方向。
在设计情景时，每个人都会对未来的蓝图进行构想，或者更确切地说，是对未来的发展前景进行构想。
在进行情景设定1之前，人们需要对过去的发展历史现状进行回顾分析，然后对未来的发展趋势进行一系列合理的（Plausible）、可认可的（Recognizable）、大胆的（Challenging）、自圆其说（Internal Consistently）的假定，或者说确立某些未来希望达到的目标，然后再来分析达到这一目标的种种可行性及需要采取的措施。
1该处的情景设定主要是对一些定性分析指标的量化过程。
情景分析可以分为描述型和标准型两种类型。
在描述型情景里，政策措施、经济状况和技术水平等等因素在未来的发展中不会发生突变，而是处于一种渐进的状态之中；而在标准型情景中，则可以对某些因素进行有目的性的设定。
在进行情景设定时，通常都需要借助一些模型工具，将具体的阐述进行量化，然后得出相应的预测结果。
采用情景分析的方法，其目的不是要得出具体的预测结果，而是通过描述采取不同的技术、经济及政策措施后，展示出未来不同的发展前景，从而为有关部门提供决策依据。
（二）本项目研究方法的考虑对中国的交通运输部门而言，未来能源需求会受到多种因素的影响，如中国采取何种交通运输模式、未来交通运输格局如何、交通工具的能效水平状况、未来公共交通与小汽车的发展关系、人均GDP增长与交通需求的取向等等。
也就是说，中国交通运输部门在未来10多年或者更长的时间内，其交通部门的系统结构存在着很大的不确定性和变数，因而采用情景分析法预测我国未来交通运输部门的能源需求，可以帮助我们更多地摆脱传统计划经济分析模式的束缚，能够进行国内外横向对比，能够充分反映科技进步对未来中国交通运输系统的作用，能够对未来交通部门的能源需求及能效水平进行更客观和深入的分析，也似乎更能反映未来我国交通部门能源效率水平提高趋势。
我们也认识到，情景分析方法只是为我们的研究工作提供一个平台，它可以拓宽和理顺我们的研究思路，使我们能够充分考虑未来社会经济发展的各种不确定性因素（经济增长前景、城市化率、人口增长状况、科技进步程度、届时的宏观政策乃至消费者的消费心理、取向、行为）对该研究对象的作用和影响，同时可以征求相关领域专家的意见，对未来可能的不确定影响因素进行分类、组合，设计出该领域发展最可能的情景。
此外，很重要的一点，就是要选择适合的定量分析工具，帮助我们对一些指标进行量化，借助模型工具得出不同情景下的发展状况，然后对这些结果进行比较、分析，得出相应的措施建议。
在本研究项目中，课题组采用了LEAP模型预测分析了在未来不同情景下的中国交通运输系统的能源需求及其排放。
LEAP模型是由斯德哥尔摩环境协会与美国波士顿大学（SEI-Boston）共同开发的一个自下而上的计量经济模型，它可以根据终端用能的变化设置不同情景进行预测分析。
具体而言，模型使用者可以基于目前状况以及对未来社会、经济和能源发展的不同理解，设定一系列的情景（情景设计），并将相应的量化指标输入到模型当中，最后对不同方案的结果进行分析比较，为决策者提供参考。
LEAP模型可以针对种种“如果…那么…”的问题，进行预测分析，如对城市交通而言，模型使用者可以引入诸如“如果未来出现更多的交通高效燃烧技术，结果会怎么样？”；“如果交通车辆能够使用洁净燃烧技术，那么未来能源需求会有什么变化？”；“如果未来公共交通占主体，它会交通能源需求以及排放产生什么影响？”等等问题，根据研究需要，模型使用者还可以综合方方面面的考虑，再设计出几种方案进行敏感性分析。
二、LEAP模型分析框架及影响因素（一）LEAP模型分析框架考虑到研究内容的完整性与数据收集的可获得性，本研究报告的交通运输系统可以分为城市客运、城间客运、货运三部分。
城间客运与货运主要通过公路、铁路、水路、航空以及管道等运输方式来完成，城市客运主要指城市内部公共运输，主要由道路交通和地铁（轻轨）等方式完成。
具体划分详见框图2-1。
相应地，交通运输部门能源需求预测也由三部分组成，城间客运、货运及城市客运的能源消费。
城间客运和货运的能源需求预测基于未来我国客货运周转量的增长状况。
首先综合国内权威研究机构对我国未来不同时期的客货运量、客货周转量的预测，得出预测期内不同时段的客货运结构（运输结构）以及各自提供的客货周转量。
然后根据不同运输方式在预测期内可能达到的能源效率水平，也就是不同运输方式换算周转量单耗，得出未来不同时段的城间客运和货运的能源消费量。
该方案结合了《中国碳排放项目宏观情景分析报告》参考情景的基本假定2，此处课题组将其定义为REFERENCE方案，也就是未来希望发生的情景；与BAU方案和FROZEN方案有所区别，在此方案的基础上，课题组借鉴西方发达国家在不同经济发展阶段时交通运输结构构成，并结合未来我国GDP增长状况、届时的科技进步因素贡献率、国民的消费观念、政府政策法规引导作用等等因素，确定不同方案在不同时段可能的运输结构指标，预测届时城间旅客运输和货物运输的能源需求量，相应地，也可得出实现该目标时国家应采取的政策措施（有关情景设定的详细说明参见以后章节）。
图2-1 我国交通运输系统能源需求分析框图城市客运的能源需求量存在很大的不确定性，主要取决于我国未来人均小汽车的拥有量与出行状况、城市公共交通体系的发展状况。
目前我国道路运输系统的能源消费量占整个交通运输部门能源消费量的50%以上3，城市交通中车辆能源消费更是占绝对多数，因而城市交通的能源消费量主要是城市客运的能源消费量。
城市交通能源需求的最大变数在于我国未来小汽车保有量趋势、小汽车届时达到的能源效率水平以及小汽车的利用率等因素。
需要说明的是，预测我国交通部门未来不同时段的能源需求不是本研究项目的最终目的。
通过比较分析不同情景下的能源需求方案，可以发现不同交通模式、交通活动方式在能源消费构成中的地位变化以及所起到的作用，然后按节能潜力的大小进行排序。
针对排序，提出不同层面的政策措施建议。
3见《中国交通运输系统“十五”及后十年节能潜力分析研究》报告，北京能源效率中心，2000（二）主要影响因素1、宏观社会经济因素在进行宏观经济情景分析时，课题组主要考虑设定以下指标：●人口增长状况●城市化率●经济发展目标●产业结构●通讯产业的发展等等人口变化影响了交通部门的能源总需求量，城市化率则体现城乡居民在交通取向、能源消费品种、用能观念及用能习惯的差异，生活水平的高低直接影响人们出行方式的选择、出行率的变化；经济发展目标及产业结构的变化是影响能源需求总量以及能源构成变化的敏感性因子。
当然随着通讯信息的发展，也有可能使未来中国发达地区的居民降低部分出行需求，但20年的变化对中国总体出行需求和客货运不会产生巨大影响。
2、燃料效率水平针对能源效率水平的情景，课题组主要考虑以下指标：●不同运输模式的每百吨公里周转量单耗●不同类型小汽车的每百公里油耗民航每百吨公里换算量的单耗最高，公路次之，铁路、水路以及管道运输的单耗较低，因而不同的运输结构在完成同样的客货周转量，其能源消费也不相同。
