碳排放的主要原因
开篇：润墨网以专业的文秘视角，为您筛选了八篇碳排放的主要原因范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
碳排放的主要原因范文第1篇
关键词：LMDI；碳足迹；能源消费；低碳经济；河北省
中图分类号：F127；X196 文献标识码：A 文章编号：0439-8114（2014）03-0723-06
随着气候变化成为最重要的世界话题之一，世界经济向低碳转轨的趋势愈发明显。作为全球最大的发展中国家、经济增长最快的国家和温室气体排放大国，中国如何选择发展模式将深刻地影响世界。在2009年哥本哈根联合国气候变化大会上，总理向世界宣布，中国到2020年单位GDP二氧化碳排放比2005年下降40%～45%[1]。这是中国向世界的承诺，要完成减排目标，必须转变经济增长方式，调整经济结构，向低碳经济转型。
中国是碳排放大国，河北省是一个碳排放大省。2011年河北省GDP为24 228.2亿元，占全国GDP总量472 882亿元的5.1%，但同期河北省能源消费总量3.15亿t 标准煤，占全国能源消费总量34.8亿t 标准煤的9.1%，是全国第二大能源消耗省份，仅次于山东省。2011年我国单位GDP能耗0.793 t 标准煤/万元，而河北省单位 GDP 能耗是1.3 t标准煤/万元，位列全国第八。河北11个设区市单位GDP能耗均高于全国平均水平。
河北省要实现经济发展和环境保护的“双赢”，就必须积极寻求自身的低碳经济发展之路。能源消费中的碳排放是河北省最大的碳源。本研究通过LMDI分解技术分析河北省能源碳足迹各影响因素的作用方向和影响权重，以期为河北省碳减排提出对策建议。
1 概念界定及研究方法
1.1 碳足迹
碳足迹（Carbon footprint）是指自然界各种自然活动和人类活动所造成的CO2、CH4、N2O、PFCs、HFCs、SF6等所有温室气体的排放总量。而这6种主要温室气体对全球的温室效应所起作用的比例不同，其中CO2的作用占64%、CH4占18%、N2O占6%、卤代温室气体（即SF6、HFCs、PFCs及《蒙特利尔议定书》限定的CFCs、HCFCs等）合计约占12%[3]。因此，CO2的增加是造成全球变暖的主要原因[4]。大气中CO2浓度的增加主要是由化石燃料燃烧、工业生产过程、土地利用变化、砍伐森林等人类活动造成[5]。其中化石燃料消耗所排放的CO2占95%以上，为主要的碳源[6]。我国能源消费所排放的CO2占到我国CO2总排放量的75%以上[7]。因此，为了研究方便，本研究仅以河北省能源消费所排放的CO2为研究对象，也就是人类经济活动中能源消耗所造成的CO2的排放总量。
1.2 碳足迹计算
对碳排放的估算属于气候变化研究中比较复杂的问题之一，由于我国目前还没有CO2排放量的官方统计，所以研究河北省碳足迹就面临着CO2的估算问题。目前已经有许多CO2排放量的估算办法，如实测法、物料恒算法、排放系数法、模型法等，但还没有达成共识，比较公认的是政府间气候变化专门委员会（IPCC）公布的碳排放系数估算法[8]。
本研究的CO2排放量采用《省级温室气体清单编制指南（试行）》（国家发改委[2011]1041号）提供的方法进行估算，它的基本原理与IPCC公布的基本相同。《指南》中的CO2排放量是指由于终端能源消费引起的CO2排放量。该方法首先是确定研究区域能源消费的种类以及各种能源的消费量；随后确定每种能源的排放因子数据；然后估算出每种能源活动的CO2排放量；最后加总计算所有能源的CO2排放量。
具体公式为：
因为河北省能源消费主要是原煤、石油、天然气和水电，而风能、太阳能、生物能等能源消耗量很少，在《河北省经济年鉴》里也只统计原煤、石油、天然气和水电消费量，合计占到河北省能源消费量的100%，故本研究选用的用于碳足迹计算的能源指标包括原煤、石油、天然气和水电。因为水电属于清洁能源，不放出CO2，本研究计算的水电碳排放量仅仅指在水电生产过程中消耗的其他能源碳排放量。
1.3 LMDI法（对数平均权重分解法）
因素分解法被广泛应用于研究CO2排放影响因素分析当中。目前通行的分解方法主要有两种，一是指数分解方法，该方法特别适合分解含有较少因素的、包含时间序列数据的模型；二是结构分析法，该方法需要投入产出表数据作为支撑。Ang等人提出了对数平均权重分解法（Logarithmic mean weight division index method，LMDI），采用对数平均公式，替换了以前的简单算术平均权重计算方法。此方法具有全分解、无残差、易使用，以及乘法分解与加法分解的一致性、结果的惟一性、易理解等特点，得到广泛应用[9]。
LMDI分解法基于下面一个函数：
2 河北省能源碳足迹状况
河北省能源碳足迹研究时段从1980-2010年，期间煤炭、石油、天然气、水电4种能源的消耗数量、全省GDP、人口数量等统计资料均来自于《河北省经济年鉴》。河北省1980年以来能源消费情况如图1所示。
从图1可以看出，河北省能源消费从1980年以来始终呈增长态势，明显分为两个阶段。以2000年为界，之前能源消费增长相对缓慢，年平均增长率为5.7%；2000年后呈明显增长趋势，年平均增长率达到9.4%，且增长势头很猛，只在2008年由于受到全球金融危机的影响，河北省经济发展也受到一定影响，能源消费增加有所减缓，但是2008年以后又迅速增加。图1还反映出河北省能源消费的另一个显著特点就是煤炭消费量始终占到能源消费量的90%以上，并呈现持续增大现象，2009年煤炭消费量占到92.51%，为研究期间比重最大值。水电比重很小，一直在0.1%左右徘徊。石油和天然气的消费量合计在8%左右。对煤炭的严重依赖是河北省碳排放量始终高居全国碳排放大省前列的主要原因之一。
利用式（1）计算方法可以计算出河北省1980-2010年能源碳足迹状况。从图2很直观地看出，河北省能源碳足迹有两个特点：一是增长迅速，且2000年后增长速度明显高于之前，30年平均年增长率约为7.53%；二是绝对值很大，2010年已经超过10亿t，达到10.09亿t，占到同期全国CO2排放量的7.38%。对比图1发现河北省能源碳足迹与能源消费走势基本一致，也是呈现明显的两个阶段：2000年以前缓慢增长阶段和2000年后迅速增长阶段。这充分说明河北省能源碳足迹与能源消费关联度非常高。河北省能源碳足迹之所以绝对值很大，一是由于河北省“富煤、贫油、少气”[10]的能源禀赋现状以及风能、太阳能、生物能比重很低，致使近30年来能源消费结构几乎没有什么变化，形成了“一煤独大”的能源生产和消费结构。二是由于河北的重化工业比重较大，服务业占比重相对小，支柱产业又是以钢铁、化工等产业为主，耗能很高。
3 河北省能源碳足迹影响因素分析
Kaya恒等式[11]是由日本学者Yoichi Kaya提出，揭示了CO2的排放与经济、政策、人口之间的联系，可以把能源碳足迹的各个影响因素完整地分解出来[12]。
Kaya恒等式可以表示为：
式中，C为能源碳足迹；Ci为能源的碳足迹；Ei为能源总消费量；E为所有能源总消费量；Y和 P分别为研究区域的GDP和人口数量。
5个效应之和就是总效应。由于默认所有能源的碳氧化率均为100%，造成能源强度效应始终等于零。所以只考虑其余4个因素及总效应。计算结果见图3。从图3可以看出，1980年以来，经济效应均为正值，表示其对河北省能源碳足迹的增长起到推动作用。随着经济迅速增长，能源消费量也迅速增长，致使经济效应数值巨大，占到总效应增加量的90%以上，表明经济因素已经成为河北省能源碳足迹最主要的推动力；人口效应也是正值，表示其也是能源碳足迹增长的推动力，只是人口效应的作用力度远小于经济效应，并且占总效应的比重一直在降低，目前比重在7%；能源结构效应均为正值，表示能源结构因素是河北省能源碳足迹增大的推动力。但由于30年来河北省煤炭消费比重一直稳定保持在90%以上，故能源结构效应数值很小，30年平均占到总效应的0.9%，说明其对河北省能源碳足迹的贡献值不大。能源效率效应贡献值为负值，表示其对河北省碳减排起到积极作用，并且能源效率效应数值很大，2010年能源效率效应达到-96 624亿t，对全省碳减排起到非常大作用，如果没有能源效率效应的减排效果，河北省碳排放将达到目前水平的2倍。说明能源效率因素对能源碳足迹的影响非常大。
3.1 能源结构因素
为了更好地研究能源结构因素，利用能源结构效应年贡献值（图4）做出能源结构效应贡献值年增加值（图5）。从图4可以看出，能源结构效应总体上是呈增长态势，2000年以后迅速增加。从图5可以看出，能源结构效应贡献值年增加值在2000年以前多数年份是正增长，有个别年份是负增长，如1982、1984、1990、1994、1997、1998年均呈负增长。并且2000年以前无论是正增长还是负增长，数值都很小，均在10万t以下；2000年后正、负增长幅度迅速增长，许多年份大于50万t，其中2003年增长幅度达到105.14万t，而2004年却减少68.4万t。究其原因，主要是受到能源消费中煤炭所占的比重大小的影响。只要是呈现负增长的年份，一定是煤炭消费所占比重相对呈下降趋势的年份，并且煤炭消费比重越小，能源结构效应呈负增长的程度就越大。如2003年煤炭消费比例达到92.78%，是研究时段内煤炭消费比例最大的年份，2004年煤炭消费比例降到91.14%，2004年比2003年煤炭消费比例下降了1.64个百分点，碳排放减少了48.74万t。由此可见，降低能源消费对煤炭的依赖，有助于河北省减少CO2的排放。
3.2 能源效率因素
能源效率效应是河北省减排先锋。在研究期间1980-1983年呈小幅正增长，1983年以后均为负增长（图6），并且有两次比较明显的减排波动，分别在1998年和2010年达到峰值。由图6可以看出，河北省目前正处于能源效应的减排峰值区，减排量巨大。这和河北省多年来重视节能减排工作密切相关。河北省在“十一五”规划纲要中明确提出GDP能耗降低20%左右的约束性节能指标。通过大力淘汰落后产能、积极推广先进节能技术与工艺等措施，全省节能降耗工作成绩显著，万元GDP能耗迅速降低，由1981年的16.3 t标煤/万元降低到2010年的1.35 t标煤/万元。能源效率的迅速提升使得CO2排放量也大幅减少。因此，提高能源效率是河北省减少CO2排放量的最有效手段。从图7可以看出，能源效率效应贡献值年增加值尽管除了1981年外均呈现负增长，并呈明显的波动性，1988年、1995年和2010年均为波峰，而1990年、1999年相应为波谷。特别是2003年以后，减排量远远大于之前年份。但是期间也有波动，如2005、2006年减排年增加量均小于2004年。2007年后也出现相似的现象，2008、2009年减排年增加量均小于2007年，在2009年出现2003年以后减排年增加量最小值，2010年又大幅回升。因此，河北省发展低碳经济，减少能源碳排放，必须提高能源利用效率。
3.3 经济因素
碳排放的主要原因范文第2篇
关键词：出口贸易；碳排放效应：低碳：可持续发展
中图分类号：F752.1 文献标识码：A 文章编号：1002—0594（2013）03—0004—14
一、引言
当人类社会工业化水平较低时，碳汇资源的稀缺性往往被经济增长所掩盖，但是，随着工业化程度的不断加深，温室气体排放所引致的全球气候变化对人类社会经济发展的挑战日趋严峻。从《联合国气候变化框架公约》、《京都议定书》、“巴厘岛路线图”到哥本哈根、德班国际气候谈判，影响各国经济、社会与环境的一系列国际气候制度安排已趋雏形。在国际气候变化和全球经济危机的双重压力下。低碳经济在各国兴起并日益成为新兴市场国家促进社会经济可持续发展的重要力量。据国际能源机构与世界银行估测，到2025年，中国的二氧化碳排放总量可能超过美国，居世界第一位，每年碳交易量预计将超过2亿吨。因此，中国作为碳排放大国和贸易大国正将面临节能减排的巨大国际压力，如何开创一条有效应对国际气候变化的对外贸易可持续发展道路迫在眉睫。从而，与贸易相关的碳排放问题研究逐步受到主流经济学的广泛关注，毋庸置疑，积极探索国际气候变化背景下我国出口贸易的碳排放效应具有重要的理论意义与现实针对性。
二、文献述评
本文理论基础可以追溯到20世纪60-70年代经济学家们关于经济增长对环境的影响研究，随着贸易自由化纵深发展与国际气候变化的加剧，对外贸易的隐含碳排放问题受到许多专家、学者的广泛关注。从笔者系统阅读的文献可以发现，近几年来，聚焦于这一视野的研究逐渐丰富，譬如，Ferda Halicioglu（2008）研究证明土耳其对外贸易是影响其CO：排放量的原因之一；Ferda Halicioglu（2009）发现两国双边贸易的发展显著影响C02排放量的增加；Olga Gavrilova等（2010）利用全碳核算和生命周期分析方法，对奥地利畜牧业的贸易碳排放进行了研究。在国内，李秀香、张婷（2004）实证研究认为，若在贸易自由化的同时实施环境管制，中国出口贸易扩张会减少人均碳排放，反之会加剧碳排放；刘强等（2008）估算了中国46种出口贸易产品的载能量和碳排放量，结论认为由贸易所引发的能耗量和碳排放量增加不利于我国对外贸易的可持续发展；宁学敏（2009）研究发现，无论长期还是短期。出口贸易对碳排放量均存在正向影响，并进一步提出应从优化外贸结构入手探寻减排新途径；许广月、宋德勇（2010）研究表明出口贸易、经济增长与碳排放量存在协整关系，出口贸易是影响碳排放的主要因素；王海鹏（2010）发现我国高碳产品出口比重趋于下降，目前出口贸易结构有利于提高我国能源利用效率：相反，刘轶芳等（2010）的研究则认为，近十年来我国贸易结构变化并未对隐含碳排放造成有利影响；黄敏（2012）采用非竞争型投入产出模型对中国出口碳排放进行了测算和影响因素分解，结果显示出口规模是出口排放增长的主要原因。
总览国内外相关文献，笔者发现：第一，尽管不少实证研究支持出口贸易是加剧碳排放的一个不可忽视的原因，但从经济学理论逻辑而言，出口贸易究竟如何影响碳排放仍然存在很大不确定性。第二，发达国家出口贸易扩张在一定程度上加剧了碳排放，这一论点已经被许多经验研究所证实，但关于发展中国家出口贸易的碳排放效应研究尚需进一步关注和探索。第三，即便已有一些研究论及中国出口贸易的碳排放效应问题，但多数研究限于宏观视角、地区层面或个别案例的分析，基于行业差异视角的多维度研究与探索尚不多见。
鉴于此，本文拟选择对我国出口贸易具有重要贡献且相关数据较为完整的14个工业行业作为研究对象，以改进的出口贸易碳排放效应理论模型为基础，构建一个变系数固定效应计量模型，从产业规模、贸易结构、市场化程度、出口依存度多重维度，对出口贸易的碳排放效应进行实证分析与检验，以期得到一些建设性启示。
碳排放的主要原因范文第3篇
关键词：工业；碳排放；特征；辽宁
近几年来，随着全球气候变暖及生态环境的不断恶化，关于“低碳”的研究已经成为世界范围内的学术热点。从1997年的《京都议定书》到2003年英国的《我们未来的能源———创建低碳经济》白皮书，低碳经济的概念得到了不断深化和发展。随着我国经济的快速发展，国际社会对我国的碳排放越来越关注，为此我们国家积极承担碳减排责任，2014年全国单位国内生产总值二氧化碳排放同比下降了6．1％，已完成“十二五”规划要求下降17％的要求。并且，在《“十三五”控制温室气体排放工作方案》中提出了到2020年，单位国内生产总值二氧化碳排放比2015年下降18％的目标。辽宁作为东北老工业基地的重要省份之一，在经济增长过程中，工业部门的终端能源消耗量占比在70％左右，因此，工业部门也是二氧化碳排放的主要贡献者，于是研究工业部门的节能减排就显得尤为重要。本文对辽宁省工业部门能源消费情况进行概况，利用IPCC第4次评估报告（2007）中的碳排放计算公式，对辽宁省工业二氧化碳排放量进行计算及特征分析，最后提出辽宁工业部门节能减排的政策建议，对辽宁经济社会的可持续发展具有重要意义。
1辽宁省工业部门能源消费状况
辽宁是工业大省，终端能源消耗主要集中在第二产业，而在第二产业中，能源消耗主要为工业能耗。根据辽宁统计年鉴显示，2005－2013年辽宁省工业总产值从10814．51亿元增加到52892．01亿元，2014－2015年有所下降。这一期间工业能源消费量也由2005年的6093．39万吨标准煤增加到2012年的12835．51万吨标准煤，2013－2015年稍有下降。出现这一状况的原因有两点：一是2014年以来，受辽宁省经济下行压力的影响，经济总量下滑，而工业恰恰是辽宁经济的重要支柱，受总体经济形势影响很大；二是，辽宁省工业部门的节能减排工作开始取得成效，正在向调整能源结构、提高能源利用效率的趋势转变，绿色低碳技术越来越多的应用到了工业生产中。在辽宁省工业部门的终端能源消耗中，制造业是工业部门能耗最大的门类。如图1所示，2015年辽宁省制造业能源消费量为占工业部门重点能耗企业总能耗的比重为63％，其次为电力、燃气及水的生产和供应业、采矿业，占比分别为31％和6％。制造业主要能源消费品种为煤炭、焦炭和原油，其中煤炭消费量为6788．56万吨，占工业部门煤炭消费总量的41％，焦炭消费量为3172．86万吨，占工业部门焦炭消费总量的99．6％，原油消费量为6368．15万吨，占工业部门原油消费总量的99．2％。而由制造业能源消耗产生的二氧化碳排放必然占主要份额，可见，辽宁省对于工业部门尤其是制造业的能源结构调整仍需要进一步优化，鼓励新设备、新产品的引进和新工艺、新技术的研发，鼓励企业不断提高能源利用效率，合理利用高效集约的新能源。
2辽宁省工业部门能源消费碳排放特征
2．1碳排放量计算公式
根据IPCC第4次评估报告（2007）中的碳排放计算指南，计算公式如下：C＝∑ni＝1Ri×Ti（1）其中，C为碳排放量，单位为万吨；Ri为第i种能源的消费量，单位为万吨标准煤；Ti为第i种能源的碳排放系数，单位为吨碳／吨标准煤，i为能源种类。为计算需要，先将各类能源消费量的单位对标准煤进行折算处理，根据《中华人民共和国国家标准GB／T2589－2008综合能耗计算通则》所列，各种能源折标准煤参考系数见表1。各类能源碳排放系数依照IPCC第4次评估报告（2007）《GuidelinesforNationalGreen－houseGasInventories：volumeⅡ》整理.
2．2辽宁省工业部门碳排放量测算及特征分析
工业能源消耗部门的碳排放量主要指采矿业、制造业，电力燃气及水的生产供应业。根据碳排放量计算公式，利用《辽宁统计年鉴》有关辽宁省工业部门能源消费及工业总产值（2008－2015年）的数据进行计算整理，得出近8年来辽宁省工业部门能源消费碳排放量及碳排放强度的数值。各种能源碳排放量占比情况如图2所示，辽宁省能源消费碳排放量主要以煤炭和原油为主，所占比例分别为47．62％和28．93％，最重要的一个原因就是煤炭燃烧碳排放因子要高于其他能源。2008年以来，辽宁工业经济得到了快速发展，工业总产值从2008年的22721亿元增加到2015年的33499亿元，年均增长率达到了5．7％。而工业能源消耗的碳排放量却呈倒“U”型曲线发展，转折点出现在2013年，这是与辽宁省工业发展阶段相适应的。主要原因有：一是2013年以来，辽宁省经济环境面临了巨大压力和挑战，工业经济发展放缓，能源消耗碳排放量也随之减少；二是辽宁工业节能减排初见成效，摒弃了以往粗放式的发展方式，开始走上了减少能源消耗、提高能源利用率的集约化发展道路；三是在绿色发展理念的指导下，低碳技术越来越广泛的应用到了工业生产中，于是碳排放强度与单位GDP能耗明显下降。
3辽宁省工业碳排放减排策略
3．1从源头改善能源结构
一直以来，辽宁省能源消费主要以煤炭为主，2015年煤炭消费量占能源消费总量的61．2％，其中工业煤炭消耗占能耗总量的41％，而燃煤的碳排放因子要高于其他能源，因此工业煤炭消耗产生的二氧化碳排放是影响辽宁省碳排放的主要因素。于是，要从源头改善能源结构，加快由煤炭向碳密集度低的能源转变，重视二次能源的开发和利用，着力推进“煤改气”、“煤改电”工程的实施。而要实现这种转变，需要政府部门从价格政策、税收政策、金融政策等多个方面，关注引导碳密集度低的能源和电力热力工业的发展。
3．2提升中间环节的技术创新
能源强度因素对工业节能减排的影响作用极大，特别是在以工业为主的辽宁省表现得尤为明显。因此，要培养工业企业的低碳发展观念，着力提升传统产业，淘汰落后产能，加大技术的升级改造，重视清洁生产机制和循环经济的发展，例如垃圾生物质气化、企业内部物料再循环、开发循环经济产业园等，都是从提高资源利用效率的中间环节进行控制，以能源强度的降低来影响工业碳排放量的减少，对促进工业企业节能减排具有重要作用。
3．3加强温室气体排放的末端治理
目前，二氧化碳排放最受关注的处理技术是碳捕获和碳封存，这也是从末端减少二氧化碳的排放量，从而达到节能减排的目的。对于辽宁省来说，该项技术的掌握和利用是需要重点解决的问题，利用碳税、补贴、技术支持等手段鼓励引导工业企业进行碳捕获和碳封存。同时，政策上要制定强制性碳减排措施，严格工业二氧化碳排放标准，鼓励企业发展清洁生产项目，规范辽宁省的碳交易市场。
参考文献
［1］郑古蕊．辽宁省建筑业碳排放趋势分析及减排策略［J］．绿色科技，2016，（11）：171－172．
［2］董军等．中国工业部门能耗碳排放分解与低碳策略研究［J］．2010，32（10）：1856－1862．
碳排放的主要原因范文第4篇
一、模型分析
（一）Kaya恒等式及LMDI因素分解法
Kaya恒等式是日本的YoichiKaya教授在IPCC的研讨会上提出的。
碳排放量的基本公式C＝∑ci=∑■■■■P①
其中，E为一次能源的消费量；Ei为第i种能源的消费量；Y为（GDP）；P为人口数量。其中，能源结构因素Si=Ei/E，第i种能源在能源消费中的份额；各类能源排放强度Fi=Ci/Ei，即消费单位i能源的碳排放量；能源强度I=E/Y，即单位GDP的能源消耗；经济发展因素R=Y/P，代表人均收入。
由此碳排放量公式可以写为
C＝∑ci=∑SiFiIRP②
人均碳排放公式为
A＝C/P=∑SiFiIR
其中，A为人均碳排放量。
ΔA=At-A0=∑SitFttItRt-∑S0iF0iI0R0=ΔAS+ΔAF+ΔAI+ΔAR+ΔArsd③
ΔAS＝∑W′iln■，ΔAF=∑Wtiln■，ΔAI=∑Wtiln■，ΔAR=∑Wtiln■
（二）数据整理
由于能源的碳排放系数相对稳定，故ΔAF=0，DF＝1。胡初枝综合了日本能源经济研究所、国家科委气候变化项目、徐国泉等的数据对各种能源的碳排放系数做了简均。本文引用胡初枝计算的碳排放系数，本文采用煤炭碳排放系数0.7329，石油碳排放系数0.5574，天然气碳排放系数0.4226。
二、吉林省碳排放因素分析
（一）吉林省人均碳排放的一般规律
从图1可以发现吉林省人均碳排放的一般规律，大致分为三个阶段：1981-1989年间，人均碳排放平稳上升；在1989-2002年间呈现，状态，甚至某些年份人均碳排放下降，；2003年开始上升出现加速状态。
（二）能源强度、能源结构和经济增长对吉林省碳排放的影响分析
根据因素分解法，我们把影响吉林省碳排放的因素归为3类，分别为能源强度因素、能源结构因素和经济增长因素。根据公式①-③，本文计算出具体影响数值，如表1所示。
其中，ΔAs为能源结构对碳排放的作用，ΔAI为能源强度对碳排放的作用，ΔAR为经济增长对碳排放的作用，三者之和为ΔA，即三者人均排放的变化量。由表3的分析结果，绘制相应的曲线图，如图2所示。
1.能源强度对碳排放的影响。如图2所示，1981-2009年，对吉林省人均碳排放起抑制作用的是能源强度的下降。
2.能源结构对碳排放的影响。如图2所示，1981-2009年，能源结构对人均碳排放的抑制作用不大，对碳排放呈现微弱的减少作用，在某些年份还会促进碳排放的增加。吉林省以煤炭为主的能源结构在近30年内没有发生显著变化，煤炭消费占50%以上，很多年份达到70%以上，从2003年开始，煤炭的消费量呈显著上升趋势，这加速了吉林省碳排放数量。
3.经济增长对碳排放的影响。如图2所示，1981-2009年，对吉林省人均碳排放起促进作用的是经济增长（人均GDP）。
1981-2009年，能源强度和能源结构对碳排放的抑制作用没有抵消掉经济增长对碳排放的增加作用，因此吉林省仍旧显示出碳排放连年增长的态势。
三、结论及对策
（一）结论
1.通过以上模型和计算结果，发现吉林省人均碳排放在1980-2003年间呈现比较平稳的状态，从2004-2009年出现加速状态。
2.1981-2009年，对吉林省人均碳排放起抑制作用的是能源强度的下降。
3.1981-2009年，能源结构对人均碳排放的抑制作用不大，对碳排放呈现微弱的减少作用，在某些年份还会促进碳排放的增加。
4.1981-2009年，对吉林省人均碳排放起促进作用的是经济增长（人均GDP）。
5.1981-2009年，能源强度和能源结构对碳排放的抑制作用没有抵消掉经济增长对碳排放的增加作用，因此吉林省仍旧显示出碳排放连年增长的态势。
（二）对策
针对以上结论，本文提出以下对策：
1.改善能源结构，发达国家如法、德等国近年来碳排放的下降主要源于能源结构的调整，能源结构逐渐向以核能、风能、水电等清洁能源发展，在法国核能的比重较高。针对吉林省的特征，要逐渐降低煤炭的比重，适当增加石油、天然气的使用，尽量开放风能、水电等清洁能源。
2.加大运用碳减排技术，燃煤的碳排放多，因此应研发和使用碳捕获技术，特别是煤炭领域，加强清洁煤的使用，以减少对环境的破坏。
3.继续提升能源强度的作用，能源强度的下降是吉林省碳减排的主要原因。
参考文献：
1.AngBW,ZhangFQ,ChoiKH.FactorizingChangesinEnergyanEnvironmentalIndicatorsthroughDecomposition[J].Energy,1998(6).
2.徐国泉,刘则渊,姜照华.中国碳排放的因素分解模型及实证分析:1995-2005[J].中国人口・资源环境,2006(6).
碳排放的主要原因范文第5篇
关键词：碳排放；节能；比较研究
中图分类号：F2文献标识码：A文章编号：16723198（2013）22002202
1珠三角九市节能减排成效比较
1.1能源强度降低趋势比较
《2011年广东低碳发展重点研究成果汇编》对广东省节能目标有这样的描述：“按照国家下达我省‘十二五’能源强度下降18%的节能目标，我省2015年能源强度为0.544吨标准煤/万元”。表1给出了珠三角九市以及全省2007——2011年单位GDP能源消耗强度。以2011年为例，广东省单位GDP能源消费量（能源强度）以0.56吨/万元为参考线，经考核，珠三角有4个城市是在线下：广州、深圳、珠海、中山，而在线上的城市有5个，分别是：佛山、惠州、肇庆、江门和东莞。
1.2碳排放强度降低情况比较
碳排放强度即碳强度，是指单位GDP的二氧化碳排放量（吨二氧化碳/GDP万元），可以用能源消耗量乘以行业的碳排放系数计算出来。为了便于比较研究，珠三角城市能源消费的综合碳排放系数统一采用1.875计算。表2出了珠三角九市以及全省2007——2011年碳排放强度。
从碳排放强度看，至2010年，全省碳强度为1.1吨二氧化碳/万元；按照国家下达给广东省“十二五”能源强度下降19.5的减碳目标，全省2015碳强度为0.89吨二氧化碳/万元。从2011年末数据看，碳排放强度深圳、广州、中山、珠海已低于全省平均值，深圳市已达到全省“十二五”结束时2015年的目标0.885，广州则以0.999接近省2015年的目标。
2影响珠三角九市能耗强度和碳排放强度的主要原因比较分析
在上述列表中，总体上看到东莞在单位GDP能耗和碳排放强度上与深圳、广州、中山、珠海、佛山市的差距，根据《广东省“十二五”期间单位生产总值能源消耗降低指标计划分解方案》，在“十二五”期间，广州、深圳、佛山、东莞被划入一类能源消耗降低指标地区。下面拟从能源消费结构、产业结构、城市人口结构、地区经济发展水平等方面因素对珠三角九市能耗强度和碳排放强度进行比较分析。
2.1能源消费结构影响突出
能源消费结构对一个地区的碳排放起着十分重要的作用。一般来说，碳减排与节能密不可分，两者之间有着天然的联系。有专家认为，70%的温室气体效应是由二氧化碳导致的，而二氧化碳主要在能源的使用过程中排放。因此，只要实现了节能目标，减少碳排放的目标也就容易达到了。能源消费结构总体上用四大能源作为主要统计口径，煤炭、原油、天然气、电力，另外是其它可再生能源。
如表4所示，从珠三角九市市工业行业情况看，重化工业结构比轻型加工业结构行业的能源强度及碳强度高。佛山工业比重是62%（惠州是58%），佛山的工业比重高于惠州，但为什么惠州的能源消费和碳排放强度远高于佛山。因为在惠州的第二产业中，石化炼油等工业是高碳排行业；而佛山的高碳排行业——陶瓷行业在经过几年的结构调整和产业转型升级，价值链从生产环节向研发、营销两端延伸，加大创新和陶瓷总部经济培育，工业化与信息化“两化融合”，工业的生产手段与技术向高级化发展，在第二产业比重达62%的情况下，碳排放强度（减排效应）位列深圳、珠海、广州、中山之后。
3比较中看不足和启示
珠三角是城市化、工业化、机动车化跨越式发展的地区，由能源消费而带来减排任务十分繁重。从目前的情况看，经过“十一五”的开局，珠三角九市在推进节能减排，建设低碳城市上也和其它城市一样都出台了规划、实施方案、意见、建设方案等，并逐步建立起多元化的能源保障体系。但在调研中，我们也发现不足。
（1）对减少温室气体排放的宣传认知不到位。节能减排、降低温室气体排放，是一个关系到经济社会可持续发展的重要问题，也是涉及各行业、各企业及千家万户的事情。但在课题前期调研中我们发现，很多部门都认为这是环保部门的事，许多企业把温室气体排放与环保的污水、废气、酸雨、雾霾混为一谈；同时，有些政府把降低能耗减少碳排放看作是影响经济增长的大忌，不太重视；
（2）缺乏权威统一的信息收集分析机制。对于节能减排，几乎每个城市都有分解节能指标和落实责任、有节能考核和奖惩制度，但有各市共同存在一个问题，就是对低碳城市建设，缺乏权威统一的信息收集分析机制；
碳排放的主要原因范文第6篇
摘 要：中国是CO2排放大国。内蒙古是能源大省，代表城市鄂尔多斯能源矿产资源丰富，高能耗，高碳排放现象突出。未来一段时间碳排放量将持续增加，煤炭消费是主要碳源。碳排放总量与国内生产总值高度正相关。煤炭消费比重大，对能源的依赖程度高，能源使用效率低。在此基础上，提出减排的政策建议。
关键词：能源经济 能耗值 碳排放量 碳排放强度
一、引言
在全球气候变暖的背景下，2006年中国温室气体排放已经占到全球排放总量的20%，能源消费碳排放占碳排放总量的96%。2008年化石能源燃烧排放的CO2总量达到65.09亿吨，工业部门的排放占80%以上。化石燃料的燃烧是导致温室气体大幅增加，燃煤产生的CO2占总排放量的比例已超过50%。中国已经成为CO2排放大国。为此，中国政府将节能减排作为国家重要发展战略，事关我国经济和社会生活。政府提出到2020年中国单位国内生产总值CO2排放比2005年下降40%—45%的约束性指标。“十二五”规划提出，5年期间全国碳排放强度要下降17%。强化节能减排措施，走低碳经济之路，优化能源结构，力争到2020年，天然气比重由3.6%增至10%-12%，煤炭比重由70.7%减少至57%左右。
内蒙古是中国的能源大省，煤炭资源全国第一， 经济增长速度连续多年居全国第一。同时能源消费迅速增长，1999-2008年之间能源消费总量从3634.88万吨标煤增长到16268.22万吨标煤， 提高了3.48倍。伴随着能源消耗增加，碳排放量迅速增加，从1998年的2318.9万吨增加至2008年的11804.03万吨，年增长率15.9%。而鄂尔多斯能源矿产资源丰富，煤炭储量约占全国的1/6，天然气储量占1/3；经济发展迅速，2011年地区生产总值突破3000亿元；能源消耗大，碳排放急剧增加，是内蒙古典型高能耗、高碳排放的工业城市。研究碳排放量是研究CO2减排的重中之重，碳排放强度是分析碳排放量与经济产出的重要指标，可以为工业生产提供指导性建议。碳排放的研究是解决能源资源结构性短缺、转变经济增长方式的内在迫切需要。
二、鄂尔多斯市碳排放现状与特征
（一）鄂尔多斯市工业经济能耗碳排放估算
根据联合国政府间气候变化专门委员会（IPCC）2006年版碳排放计算指南，计算公式为：
式中C为碳排放量（万t）；Ki为第i种能源碳排放系数；Ei为第i种能源的消费量，按万t标准煤计；i为能源种类。根据鄂尔多斯工业能源消耗特征，选取原煤、洗精煤、天然气等13种主要消耗能源品种进行分析，并以各类能源对标准煤的折算系数和碳排放系数进行处理，如表1。
碳排放强度是指单位国内生产总值的CO2排放量，单位为t/104元；人均碳排放量=碳排总量/人口总数，单位为t/a。用规模以上工业企业主要能源消费来计算鄂尔多斯市工业经济碳排放量和碳排放强度，计算结果如表2。
从表2来看，2011年碳排放量是2000年的12.54倍。各品种能源碳排放量逐年增加（除汽油、煤油、燃料油），碳排量主要以原煤消费产生的碳排量为主，洗精煤次之，第三位的是电力。人均碳排量逐年上升，2011年达31.8496吨每人，约为2000的10.68倍。随技术设备的改进，低碳节能技术的引进，碳排放强度呈减少趋势，减少幅度为41.51%。据环境库兹涅茨曲线（EKC）基本原理， 长期来看， 环境压力与经济增长之间呈倒U型曲线关系。内蒙古作为中国一个相对落后的少数民族自治地区， 其环境库兹涅茨曲线处在U型曲线的左端， 因而在目前乃至将来一段时间内， 内蒙古经济增长的同时其碳排放量也将有很大的增长。
（二）经济的发展与碳排放的特征
鄂尔多斯市的生产总值和碳排放量逐年增加，生产总值的年均增长率为28.78%，碳排放总量年均增长率为35.87%，如图1中两条曲线走势相似。但是随能耗值的逐年降低，碳排放强度总体呈下降趋势，能耗值与碳排放强度走势相似，在2000-2004年较高，2004-2007逐渐降低，2007年后平稳波动，且能耗值高于碳排放强度。2000-2011年碳排放强度下降幅度为41.51%，能耗值下降幅度为43.69%。碳排放量与经济产出、经济结构、能源使用效率、能源结构等因素有关。鄂尔多斯市经济的发展与碳排放呈现出两个特征：
放强度与生产总值变化
1.“两个”高相关。一个是碳排放总量与生产总值高度正相关，随生产总值的增长，碳排放总量增加。另一个是能耗值与碳排放强度存在很高的相关性，曲线走势相似，这是由于碳源的主要来源是化石燃料的燃烧。
2.“此消彼长”现象。生产总值与碳排放总量不断增加。增速呈“M”型，生产总值2004年和2008年较大，2005-2006年较小；碳排放总量2005年和2008年最大，2006年较小。但碳排放强度持续下降，从2000年的2.6吨/万元下降到了2011年的1.5吨/万元，降幅达41.51%。主要原因是：第一，技术设备改进，低碳技术的大力投入，减少了碳排放；第二，鄂尔多斯市走节能减排的可持续发展道路，集约化生产减少了能源的消耗。
鄂尔多斯市能源消费存在三条现状：（1）煤炭消费比重大。能源消费以煤炭为主。（2）工业耗能比重大，对能源的依赖程度高。在能源消费总量中，鄂尔多斯市工业消费比重过大，平均为99.6%，与发达国家平均30%-40%的比重相比明显高出很多。（3）能源使用效率低。
三、结论
近年来，内蒙古国内生产总值和工业生产总值逐年增长，鄂尔多斯市尤为突出，本文通过2006年版的IPCC碳排放计算分析，是现有文献中涉及中国碳排放估算的一个通行的计算方法。本文得出以下结论：
（一）内蒙古经济的持续、快速发展，碳排放量将持续增加 鄂尔多斯市2011年的国内生产总值约为2000年的21.4倍，年均增长率为28.78%。碳排放总量也逐年增加，年均增长率为35.87%，增速2004年达到最大，2008年次之。碳排量主要以原煤消费产生的碳排量为主，洗精煤次之，第三位的是电力消费。
（二） 随技术设备改进和集约化生产，能耗值和碳排放强度整体呈下降趋势
鄂尔多斯市经济的发展与碳排放的特征是：碳排放总量与国内生产总值高度正相关；能耗值与碳排放强度存在很高的相关性。能耗值降幅为43.69%。碳排放强度降幅达41.51%。人均碳排量逐年上升。
（三）目前鄂尔多斯的能源使用现状是：煤炭消费比重大，工业耗能比重大，对能源的依赖程度高，能源使用效率低
依据实证结果及工业经济发展现状，提出如下减排的政策建议：优化工业内部行业结构，促进产业升级；逐步加大能源结构调整力度，大力发展低碳能源和可再生能源；推进低碳技术进步，鼓励自主创新；强化政策扶持力度，加强国际交流合作。
参考文献：
[1]国家发展与改革委员会能源研究所课题组.中国2050年低碳发展之路：能源需求暨碳排放情景分析[M].北京：科技出版社，2009.
[2]刘竹，耿涌.城市能源消费碳排放核算方法[J].资源科学，2011（7）.
[3]钱贵霞，张一品，邬建国.内蒙古能源消费碳排放变化的分解分析[J].技术经济，2010 （12）.
[4]巩芳，王芳.基于LMDI分解模型的内蒙古碳排放实证研究[J].干旱区资源与环境，2013 （2）.
[5]史安娜，李淼.基于LMDI的南京市工业经济能源消费碳排放实证分析[J].资源科学，2011 （10）.
碳排放的主要原因范文第7篇
金融发展是合理估计碳排放需求，制定和实施碳减排政策需要考虑的重要因素。利用状态空间模型，实证研究了北京市金融发展对碳排放量的动态影响。结果发现：首先，北京市金融发展与碳排放量之间存在显著的长期均衡比例随时间变化的协整关系；其次，北京市金融发展对碳排放量的影响具有典型的时变特征，在样本区间内，其影响程度可能为正也可能为负；另外，北京市金融发展对碳排放量的贡献显著小于经济发展的贡献，具体而言，稳定状态时它们对碳排放的贡献分别为7%和78%左右。
关键词：
金融发展；碳排放；经济发展；状态空间模型
随着城市化进程的加快和机动车保有量的增多，北京市CO2排放量逐年上升，温室气体减排压力艰巨。为了缓解由CO2等温室气体带来的环境问题，世界各国都在进行相关研究和实践，寻求有效的碳减排途径、合理估计碳减排需求成为政府部门和研究机构的重要努力方向。特别是2007年联合国政府间气候变化专门委员会（IPCC）第四次评估报告[1]以来，相关研究方兴未艾[2]。近些年国际上出现了部分文献讨论金融发展对能源消费、碳排放的影响，但是结论并不一致。部分文献认为，金融发展程度越高，越有利于企业融资和各种技术创新活动，提高资源配置效率和能源使用效率，有利于节能减排。Tamazian等（2009）[3]认为，金融发展有助于促进高新技术企业上市、企业技术创新，从而能提高能源利用效率，推进低碳经济发展；Jalil等（2011）[4]认为中国金融发展没有对环境造成危害，反而促进了环境保护，并且中国碳排放量从长期看主要取决于人均收入、能源消费以及贸易开放程度。Ozturk等（2013）[5]认为，从长期看，金融发展对人均碳排放量并没有显著影响。Birdsall等（1992）[6]研究指出，金融发展能够吸引FDI和高水平的研发投资以促进技术进步，进而推动环境质量提升，而且也会给发展中国家提供利用新技术的激励和机会，帮助他们生产清洁的和环境友好的产品，最终广泛提高全球环境质量并促进区域可持续发展。但是，也有部分文献通过实证研究认为，金融发展内涵丰富，发展程度越高，可能会增加对高耗能、高排放设备或器件的使用，从而推动能源消费和碳排放上升。例如，郭郡郡等（2012）[7]利用多国数据实证研究发现金融发展与碳排放量之间存在正相关关系；Zhang（2011）[8]则基于中国金融发展的特殊情况，从金融发展规模、金融发展效率、金融中介、金融市场等多个角度研究了金融发展对碳排放的影响，发现中国金融发展是推动碳排放上升的重要因素，特别是金融中介规模的扩大显著推动碳排放的增加。另外，从研究方法看，现有文献讨论金融发展与碳排放的关系时，基本上是采用自回归模型[9]、动态最小二乘法模型[10]等固定参数的方法，得到的结果基本上是静态的，难以表现金融结构、经济结构的动态特征，结论往往较为笼统。鉴于此，本文将采用状态空间模型这种变参数方法[11-12]定量讨论北京市金融发展与碳排放之间的动态关系，为北京市有关部门制定碳减排政策提供参考依据。
一、数据说明与模型方法
（一）数据说明由于中国金融发展以金融中介规模扩张为主要特征，北京市也不例外，同时由于金融中介效率、金融市场等方面的数据并不完整，因此，本文讨论的金融发展仅考虑金融中介规模，并采用由美国经济学家Goldsmith提出的金融相关比率（FIR）[13]来衡量，具体计算公式如式（1）所示。其中，FIRt为北京市第t年的金融相关比率；CRt代表北京市第t年中资银行贷款总额；GDPt代表北京市第t年的地区生产总值。同时，本文选取北京市人均实际GDP来衡量经济发展水平，按1980年可比价计算。此外，由于人类消耗各种能源所产生的CO2是温室效应产生的主要原因，因此本文基于北京市能源终端消费值，通过国家发展改革委能源研究所推荐的碳排放系数（即0.67）[14]换算得到北京市历年CO2排放量。本文选择的样本区间为1980—2011年，相关数据来自《北京统计年鉴（2012）》。由于对数据取对数后不改变变量之间原有的关系，并能使变量趋势线性化，消除异方差，因此本文对变量进行自然对数变换。分别以lnTCE、lnFIR、lnGDP表示取自然对数后的CO2排放量、金融相关比率以及人均实际GDP。
（二）模型方法本文运用状态空间模型考察北京市金融发展对碳排放的动态影响。利用状态空间形式表示动态系统主要有两个优点：第一，状态空间模型将不可观测的变量（状态变量）纳入可观测模型，并与其一起得到估计结果；第二，状态空间模型是利用全局优化的卡尔曼滤波（KalmanFilter）算法[15]估计动态参数。
二、实证研究结果分析
（一）碳排量与金融发展的时变均衡关系为了考察所有变量的平稳性，本文采用扩展的Dickey-Fuller（ADF）方法对数据进行单位根检验。结果如表1所示，可见，lnTCE、lnFIR和lnGDP的水平序列都不能拒绝存在单位根的原假设，即水平序列并不平稳。但是，一阶差分后，发现在5%的显著性水平下拒绝原假设，表明所有变量在进行一阶差分之后都显示出平稳性，因此可认为在样本区间内，北京市CO2排放量、金融发展、经济发展三个变量都是一阶单整序列。首先采用固定参数协整方程考察北京市碳排放量与金融发展、经济发展之间的长期均衡关系。根据EG两步法，采用ADF方法检验协整回归的残差序列，结果表明固定参数协整回归的残差并不平稳（如表2所示），这表明基于OLS回归即平均意义下，北京市碳排放量与金融发展、经济发展之间并不存在显著的协整关系。进一步，我们根据王海鹏等[16]的做法，对时变参数协整方程（2）中的残差序列εt进行ADF检验，结果如表2所示。可见在1%的显著性水平下，时变参数模型的残差是平稳序列，这表明采用状态空间模型刻画北京市碳排放量与金融发展、经济发展之间的时变参数协整关系是合适的，得到的结果是可靠的。尤其要指出的是，这些变量之间并不具有固定比价的长期均衡协整关系，但是存在长期均衡比例不断变化的协整关系，换言之，北京市碳排放量与金融发展之间的固定参数回归是伪回归，但这并不妨碍它们之间存在的时变均衡关系。
（二）金融发展对碳排放的时变影响分析利用Kalman滤波算法估计状态空间模型（2）①，得到时变状态变量如图1和图2所示。可见，样本区间内，北京市金融发展、经济发展对碳排放的影响都具有时变特征，传统的固定系数模型并不能准确估计它们的影响机制。具体而言，从时变状态变量的演变趋势中，得到的发现主要如下：1.北京市金融发展对碳排放量的影响是时变的，在不同时间阶段可能为正也可能为负。从图1中可以发现，在1980—1994年期间，金融发展对碳排放的影响程度（at）的变化较为平稳，始终维持在0.03~0.12之间的水平，同时在此期间，该系数始终为正值，说明总体上来看金融发展对碳排放的影响是正向的，即金融发展促进了碳排放量的增加。其中，at值在1984年出现了较大缺口，其原因估计是在当时出现了国企股份制改革，金融行业活跃，在同年成立的工商银行更是为市场提供了大量的资金保证，而在金融体系活跃开始时，金融发展对于碳排放的影响必须通过金融业促进工业、交通行业等高耗能高排放行业快速发展才能实现，而该过程较为复杂并不能很快进行传递，由此出现了1984年的缺口。而状态变量at在1985年、1986年迅速反弹也说明了金融发展影响碳排放量是有时间滞后性的。1994年后，at的值迅速减小，并在1995年跌为负值，在1998年跌至谷底，约为-0.15左右。这个波谷的形成与1997—1998年席卷整个亚洲的金融危机有密切关系，当年金融行业大幅衰退使得金融发展不足以推动经济增长而对碳排放量产生正向影响，反而出现了负相关的情况。随后几年，由于金融危机逐步复苏，整个金融环境开始好转，于是又出现了状态变量的快速反弹，并在2007年恢复到历史最高水平；其中，2008年状态变量有所下降，其原因估计为美国次贷危机，但此次金融危机中北京市并不是主要受灾区，故金融发展对碳排放的影响程度只出现了小幅震荡。2.经济发展对碳排放量的影响始终是正向的，整体上扬。经济发展对碳排放量的影响程度始终为正，表明经济发展一直是推动碳排放上升的重要因素；而其影响程度持续上扬，进一步表明高耗能、高排放产业和设备在北京市经济发展中仍占据重要角色；而且，经济发展对碳排放的影响程度明显强于金融发展对碳排放的影响。经济发展在碳排放量急剧上升过程中发挥了主导作用。可见，经济发展仍然是驱动北京市碳排放量上升的主要因素，调整经济结构和经济发展方式是实现有效碳减排的关键途径。
（三）碳排放量的预测方差分解采用预测方差分解方法比较分析金融发展和经济发展冲击对碳排放量变化的贡献率，评价两者的相对重要性。结果如图3所示。研究发现，金融发展和经济发展对碳排放量波动的贡献率均逐渐增加，之后分别稳定于7%和78%。此外，研究还发现，在第6期以前，碳排放量波动主要的贡献者是其自身，此后，经济发展的贡献率超过碳排放量本身，在系统趋于平稳时，经济发展的贡献率相对最高，金融发展的贡献率略低于碳排放量自身。
三、主要结论
碳排放的主要原因范文第8篇
摘要：
高速城镇化和机动化阶段，面临与日剧增的环境压力，城市交通的多目标发展成为交通可持续发展的关键。在提升居民出行满意度的同时，降低交通碳排放是目前及未来城市交通可持续发展关注的核心目标，是城市交通效率的主要内涵。由此，本文从交通出行便捷与交通碳减排双目标综合评估的角度，提出基于中观尺度的城市交通出行满意度和交通碳排放的定量测算方法；并利用数据包络分析(DataEnvelopmentAnalysis,DEA)法探讨城市交通综合效率评价方法。对北京市城六区的实证结果显示，在三环以内地区，城市交通综合效率较高，五环以外大部分地区较差。交通综合效率较高的地区集中分布于：①西三环至西四环万寿路街道的公主坟-五棵松地区。②北三环和平里街道安贞桥附近地区。③东北三环的三里屯地区。而综合效率较差的地区大多位于城市，例如西北六环周边，西南五环至西南六环部分地区，以及东五环外常营地区等，交通碳排放较高是这些地区交通效率较差的主要原因。此外，交通效率的空间差异与地理空间环境的差异性呈现高度的相关。例如，交通效率较差的地区大多是高档别墅区集聚的地区，以及城市五环周边公共交通不完善的部分居住区。通勤中机动化比例较高和通勤距离较长是碳排放强度较高的主要原因。
关键词：
交通效率；多目标综合评价；数据包络分析；交通碳排放；交通满意度
1引言
城市机动化的高速发展在一定程度上给居民带来了更加丰富的出行选择，提升了部分城市居民的出行便捷性。但与此同时，快速的机动化也带来了严重的城市交通和环境问题。在中国特大城市，接踵而至的城市环境污染和交通拥堵等大城市病尤为明显。为了积极应对这些大城市病，北京等特大城市力图从行政手段、城市交通建设等多个方面入手解决城市交通问题。例如北京市利用摇号上牌和路面限号来干预路面小汽车的数量，这种行政手段在一定程度上可以缓解城市交通拥堵的交通问题，但却牺牲了部分社会群体的利益。显然，以大力发展小汽车为导向的追求交通便捷性和最大限度抑制小汽车为导向的追求城市交通环境效益的政策和措施都是片面的，违反了城市交通可持续发展的内涵。未来，如何在提升居民出行便捷性的同时，降低交通对于城市环境的影响是综合测评城市交通效率需要考虑的关键问题。
为解决上述关键问题，首要的是如何理解城市交通效率的内涵，以及如何对城市交通效率进行多目标测评。以往学者们对于城市交通效率关注的目标大多都是单目标的。例如关注交通的便捷性(高晓路等,2009)，居住与就业匹配的交通问题(Kan,2002;郑思齐等,2011)，交通设施配置的可达性(Martínez,1995;孟斌,2009)，城市交通的低碳性(马静等,2011)，公共交通的服务水平等(Jietal,2010)。极少有学者关注城市交通效率的多目标性，可能是由于对交通效率的内涵理解不全面，以及多个目标的综合方法不清晰等。特别是当多个目标有冲突时，如何考虑各个目标的相互作用和矛盾关系，求得最优的决策或评价方案成为难点问题(白鹤松,2008)。例如对于城市居民来讲，私家车的普及率越高，交通出行的便捷度会越高；然而交通的负外部性则会导致社会交通成本的上升，以及有损城市交通的环境效益。如何决策交通的便捷性和城市环境效益两个目标就成为难点问题。此外，以往对于交通发展水平或交通碳排放定量测算的研究中，多个目标之间面临着尺度不一和量纲不一的问题。例如，有以时间、距离等作为可达性的测评指数(曹小曙等,2013)，也有学者以个人的满意度作为出行便捷度的评价指数(Jietal,2010)；而交通碳排放测算则多以能源消耗数据，或者依据个人活动出行数据来推算(马静等,2011)。这些定量指标的评价尺度和数据来源多元化，要想实现精细化的空间评价，如何在同一尺度上利用这些定量化的指标成为难点问题。本文认为，为居民提供便捷的交通出行是交通效率关注的最主要目标。与此同时，由于城市交通发展对环境带来的负外部性与日剧增，降低城市交通的负外部环境影响也是城市交通未来关注的目标之一。最优的城市交通效率是城市出行便捷度的最大化与城市交通碳排放的最小化。基于此，本文主要研究解决两个基本的问题：①如何对各个目标进行定量的测度；②如何对于相互矛盾或相互作用的各个目标在同一空间尺度上进行多目标测评，即评价城市交通效率。
2多目标综合评价的方法探讨
在多目标评价的方法中，模糊评价法、层次分析法等成为最常用的评价法(徐建华,2006；张侠等,2009；方国华等,2011)，但这些方法的主观性较强，客观数据的作用明显不足，评价结果对于决策者的决策偏好十分依赖，而对解决多个目标冲突问题贡献不足。相对而言，数据包络分析(以下简称DEA)评价虽然算法复杂，但其对解决量纲不一的相对效率问题具有突出的作用，且对于决策者的主观依赖较小。基于此，本文利用DEA多目标评价法对于包含城市交通满意度以及交通环境效益的城市交通效率进行测评。
2.1DEA多目标评测方法数据包络分析(DataEnvelopmentAnalysis,DEA)由美国著名运筹学家Charnes、Cooper和Rhodes于1978年首先提出，是一种主要衡量效率相对有效性的非参数方法。其原理是通过保持决策单元(DecisionMakingUnit，简称DMU)的输入或输出不变，借助数学规划方法确定相对有效的生产前沿面，将各DMU投影到DEA的生产前沿面上，并通过比较各DMU偏离DEA前沿面的程度来评价其相对有效性。DEA分析不需要主观的权重系数，完全依靠客观信息评价效率情况，在处理具有多投入、多产出指标的同类型部门间的效率问题时，DEA具有明显的优势。
2.2交通效率的DEA评价DEA分析的最终目的是要评价同类决策单元效率的有效性的问题，其有效的意义是以最小的投入换取最大的产出。具体到城市交通效率的评价中，需要对城市的出行便捷度和交通碳排放进行综合评测。交通碳排放和出行便捷度与经济系统中投入和产出的关系十分类似，即城市交通可持续发展的目标是以最小的交通碳排放获取最大的出行便捷度。交通发展综合效率的评估，要考虑以最小的投入获得最大的经济产出，与运用DEA进行综合效率测评的思路十分吻合。在此，本文利用DEA方法对于城市交通综合效率进行评估。本文以图示说明交通效率DEA分析的基本思路。图1中M1-M5表示5个地区交通碳排放和交通便捷度的组合。M1和M3相比，M3点由于出行便捷度较高，交通效率优于M1点；M1和M4相比，同样的出行便捷度水平下，由于M4的交通碳排放水平较高，则其交通效率低于M1点。
3城市交通效率的定量测评方法
3.1交通碳排放的定量测评方法交通碳排放，是居民在出行过程中由于选择了特定的交通方式，在出行过程中产生的。基于此，本文对于交通碳排放的测算，主要是从居住的角度出发，研究居民每日出行中到达各类目的地过程中所产生的碳排放强度，其计算的结果实际是静态的归结到起始地，是平均水平，而并非具体到碳排放产生的动态过程，。式(1)中：Cjk表示第j个评价尺度内基于第k种出行目的的平均碳排放强度，单位为g/人；γijk为第k种出行目的第i种交通方式在第j个评价单元内的比例；ηi为第i种交通方式的碳排放标准系数；βijk为j个评价单元内第k种出行目的下，使用交通方式i的居民的平均出行距离；Rjk为第j个评价单元内第k种出行目的的比例分布；Tjk为第j个评价单元基于第k种出行目的的出行频率的比例构成。需要说明的是，在测算中，交通方式构成、交通距离、出行频率等均为出行的基本特征变量，可通过行为调研方式获取。而模型中不同交通方式的碳排放标准系数ηi为目前需要估测的参数，柴彦威等(2011)学者根据中国各种交通方式的能耗和碳排放系数进行了推算，本文以此为参考。
3.2出行满意度的定量测评方法人是交通便捷与否的主要体验者，如仅以空间覆盖率、空间邻近性等客观数量指标来刻画城市交通便捷性，虽然容易度量，但难以体现城市居民差异化和多元化的交通出行。而出行满意度是居民在出行过程中对于客观出行环境和出行过程的评价和感受，能够间接地反映城市交通的便利程度。但难点是由于满意度为主观的感受，不能直接观测。目前学者们常用的获取居民出行满意度的方式是通过调研，例如张文忠等(2006)在北京的出行评价研究中，根据不同的出行目的，例如通勤、日常出行等，在受访者中按照满意程度对便利性进行打分，以此获取满意度评价的空间分布。而将个体抽样的出行满意度进行城市尺度上的定量推测，则是依据个人出行的效用函数按照多元序次Logistic模型进行满意度的推导。
4北京市城市交通效率多目标评估的实证分析
4.1数据来源及空间尺度确定北京市中心城区居民出行的满意度评价数据来自于2005年北京市居民对于通勤出行满意度的调查数据(张文忠等,2006)，包括在北京市中心城六区(原城八区)以及城郊回龙观居住区范围内共获取的样本7341份。调研中，通勤出行满意度以分级的方式分为非常满意、比较满意、一般、比较不满意、非常不满意五类。此项大样本空间数据能够较均衡的反应中心城区交通满意度的空间特征，本文将以此为基础，利用模型对其进行空间和时间的推演。而用于计算居民出行碳排放的数据需要进行居民的出行行为调研。北京大学行为调研小组于2007年对于不同类型居住区居民出行行为进行了调研(柴彦威等,2011)，包括出行距离、出行方式、出行时间等，在此利用该项共享数据作为碳排放研究的基础。首先，为了突出北京市中心城区空间上的差异性，本文以城市路网形成的街区为空间尺度进行精细化的评价。具体是以城市次干路为基础，同时考虑到三环以内居民空间出行的空间范围有收敛的趋势，所以三环以内以城市支路为基准组成的城市街区为基本评价单元，共计1049个。其次，考虑到在街区尺度上进行交通碳排放的测算，需要对各街区内部交通方式构成、交通出行的平均距离等有基本的估算。由于城市交通行为受到空间环境的客观约束(Krizek，2003；Kwan，2012)，在具有相似特征的地理环境下，居民的交通行为也具有一定的相似性。基于此，本文根据交通行为与城市空间环境的相互关系为基础(季珏等，2012)，以小区为单位，搜集各小区的二手房价、交通服务水平、规划特征等变量进行空间聚类，最终划分出5种不同类型的空间环境(表2)。依据5种类型所处的空间位置、主导的房屋类型(四合院、单位大院、别墅、政策性住房、其他普通商品房)、规划特征等，本文将5种类型标定为：高档别墅区、中档区、历史老城区、高档高密度区、成熟完善区。结合行为调研的数据，分析得出上述5类空间环境的小区在交通方式比例、交通出行距离等方面具有明显的差异性(表3)。例如成熟完善区居民平均通勤距离仅为5.8km，远远低于高档别墅区及中档区居民。据此，本文将行为调研所得的交通行为规律和居民构成按照5类小区与街区的位置关系，拓展至街区的评价单元，对于同一街区内部小区类型不一致的现象，进一步按照小区的泰森多边形将街区分割，最终得到本文的评价单元。
4.2碳排放强度的空间估算按照式(1)的计算方法，研究得出2007年北京市中心城区通勤出行碳排放的空间格局(图2)。由图2可知，目前北京市城六区交通通勤产生的碳排放强度呈现由中心向四周递减的趋势，即居住在城市的居民每日通勤的碳排放强度明显高于城市中心。特别需要说明的是，在碳排放强度极高的地区，例如在机场高速沿线、海淀区金盏乡，以及城市内部的一些异质性地区如西北三环内角一侧，均是由于这些地区居住类型的差异性，例如别墅区、高档小区等所致，这些小区私家车拥有率较高，部分小区出行距离较长导致碳排放强度较高。
4.3出行满意度的空间评价由于满意度的收集是以调研个体为基础的，需要将个体的调研转换到空间评价单元的面域上。同时，交通效率多目标评价的年份需要一致，因此本文需要将2005年满意度评价的数据转换到2007年街区尺度。为此，通过前期研究的满意度评价模型(Jietal,2010)，以各研究区的平均出行满意度作为因变量，道路优势度、公交800m覆盖面积、地铁1km覆盖面积、企业密度、通畅性评价、收入、年龄、平均通勤时间、机动化比例作为自变量等，建立回归模型。其中，为了单位的统一，对于非比例数据，统一采用标准化方法，将变量转化到[0,1]之间，例如道路优势度、企业密度、平均通勤时间等。经过逐步回归的筛选，共有5项指标进入回归模型，其中4项指标的显著性水平均在0.005以下，置信水平达到了99.5%。此外，我们对样本进行了不同数量抽样的检验，结果均证明模型的回归系数比较稳定，模型具有稳定性(表4)。图3显示，北京市城六区出行满意度的空间分布呈现一定的集聚趋势。满意度相对较高的地区大多分布于城市五环以内，特别是西南三环至四环之间，以及东北部地区。而出行满意度评价较差的异质性地区主要分布于城市北五环的上地、立水桥等地区，丰台区的西南三环至西南四环地区，以及双井、劲松等地区，居民的出行满意度也较差。
4.4城市交通效率的多目标评价结果利用数据包络分析DEAP2.1软件，以各评价单元为决策单元DMU，各DMU的交通碳排放为投入，出行满意度作为产出，进行城市交通综合效率的评估(以下简称综合效率)。特别是，以综合效率为指标，利用1个标准差法对综合效率进行分级，共分为6个等级：很低、较低、一般、较高、很高，以及最佳，其中最佳为DEA有效地区，其他均为非DEA有效地区。从2007年综合效率的空间分布来看，北京市城六区地区的综合效率较低，而城市中心地区特别是三环以内地区，综合效率较高。此外，城市北部整体的综合效率较高，而西部和南部的综合效率较低，特别是城市南部，三环以外大部分地区的综合效率为较低及以下水平，例如西北六环周边的上庄镇附近，西南五环至西南六环部分地区，以及东五环外的常营地区等。图4中综合效率最高的地区，即DEA有效的地区，位于北三环和平里街道附近，是居民的出行满意度最高，平均通勤出行的碳排放最低的地区。而综合效率较高的地区主要集中在：①西三环至西四环万寿路街道的公主坟—五棵松地区；②北三环和平里街道安贞桥附近地区；③东北三环的三里屯地区。从空间环境类型来看，上述3个片区均属建成年代较早，周边的配套设施比较完善，交通也比较便利的地区，其居民出行的距离较短、通勤出行方式中公共交通的比例较高、私家车使用的比例较小，是综合效率较高的原因。与单一目标评价结果不同的是，由于交通效率是由出行满意度和出行碳排放强度二者共同决定的，交通效率综合评价的结果更体现了目标的综合性。有部分地区出行满意度虽非常高，但由于碳排放的高水平而导致交通综合效率较差，这些地区大多位于城市五环周边及地区，从空间环境类型上多属于高档别墅区和中档区。进一步分析发现，不同的地理环境类别，城市综合交通效率的差别很大，表5综合统计了各类别交通效率的分级比例。受到行为调研样本偏差的影响，由个体调研推至空间整体可能会导致该比例的绝对数值有所偏差。但从其比例分布的趋势可以看出，目前高档别墅区和中档区目前均为交通效率很低和较低的地区，而成熟完善区交通综合效率目前普遍较高。这一结论提示我们，未来针对不同的空间环境类型提升交通综合效率是主要的着力方向。对于高档别墅区和中档区而言，碳排放强度极高是造成其交通效率较差的主要原因。对位于城市、以高档别墅类型为主的地区来讲，依靠交通的规划和政策降低碳排放以达到DEA有效的目标可能较难实现。由于这些地区大多分布于城市，地理位置的特殊性，决定了其出行距离成本较大(表3所示，16.8km)；而与出行的经济成本相比，这些居民更重视出行的舒适性和满意度，导致机动化的使用比例极高。未来，即使公共交通体系的发展十分迅速，对该类型区内居民的吸引能力也会受到限制，公共交通很难与与私家车形成有力的竞争，因此政策的引导作用可能不会特别明显。就中档区来讲，结合表3可以推测，居民平均通勤距离较长，出行方式构成中私家车的比例较高可能是其交通效率较差的主要原因。与高档别墅地区不同的是，出行的经济成本对这些居民存在一定的敏感性，相对来说，公共服务水平的不完善，尤其是地铁的服务水平较低(1km内平均地铁站点数仅为0.6个)等成为影响该处居民机动化比例较高的重要原因。对该类地区，公共交通水平的提升，特别是轨道交通的发展，可能会大幅度降低通勤出行的时间(距离)成本，在出行时间和出行费用的相较下，可能会有部分群体的交通方式选择向公共交通转变。此外，提高该类型地区土地利用的混合程度，增加居民就近就业的概率，通过减少居民的平均出行距离(表2中为11.1km)，来降低小汽车的使用比例，也是减少碳排放强度，提高综合效率的重要手段。此外，耐人寻味的是，历史传统区碳排放强度(24.2)略低于成熟完善区(28.9)，公交站点和轨道交通站点的平均水平也相对较高，但其综合交通效率评价结果却低于后者，主要是由于出行满意度的差异形成的。由于满意度评价是由多个因素决定的，分布于二环以内的历史传统区，企业密度较低使其通勤距离较长(历史地区约10.1km，成熟完善区只有5.8km)，同时由于老龄化比例较高可能使其对交通舒适性的需求得不到满足，使其出行满意度低于成熟完善区，造成综合效率平均水平也较低。
5结论