碳排放的主要原因
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇碳排放的主要原因范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
碳排放的主要原因范文第1篇
关键词：SML指数；CO2排放绩效；技术进步；技术效率
中图分类号：F205 文献标识码：A 文章编号：1003-5192(2012)02-0057-05
Spatial Difference and Causes Research on Continuous Total FactorCO2 Emission Performance in China――Based on Sequential Malmquist-Luenberger Index Analysis
YOU Jian-xin1, CHEN Zhen1, ZHANG Ling-hong1, MA Jun-jie2
(1.School of Economics and Management, Tongji University, Shanghai 200092, China; 2.School of Law, Tongji University, Shanghai 200092, China)
Abstract:Based on the literature, SML(Sequential Malmquist-Luenberger)Index is adopted to estimate the continuous CO2 emission performance of provinces in China from 1998 to 2009. And, the regional difference of this performance and the influential factors are analyzed. As the research results, we found that: The increase of CO2 emission performance of provinces in China are all contributed by technical change; Regarding the influential factors to the CO2 emission performance, R&D professionals, regional economic development, industrial structure all offers a significant positive effect, while energy intensity, energy structure both presents a significant negative effect, and the intensity of R&D plays an insignificant influence as indirect moderating effect.
Key words:SML index; CO2 emission performance; technical change; technical efficiency
1 引言
全球气候变化是当今社会最严峻的问题之一。随着世界经济社会的不断发展，温室气体（以CO2为主）排放持续上升，环境气候问题凸现，从科学角度出发，必须大幅度减少全球二氧化碳排放。经济增长与碳减排之间的矛盾日趋尖锐。但是，中国目前仍是一个发展中的国家，在确保经济稳步发展的同时如何实现2020年碳排放强度相比2005年减少40%～45%的减排目标是摆在面前的又一难题，根本出路只有大力发展低碳经济，有效提高能源使用效率和二氧化碳排放绩效。因此，科学精确地评估我国二氧化碳排放绩效现状，深入分析我国二氧化碳排放的历史、空间差异，是挖掘其主要影响因素的首要条件，是进一步开展各类减排活动和制定各种政策的基础。
迄今为止，国内外对碳排放绩效的研究尚仍处于起步阶段，从要素投入角度可以将现有研究划分为单要素碳排放绩效研究和全要素碳排放绩效研究。Ramanathan认为应该从整体的角度，将所有相关的变量，如经济活动、能源消耗和CO2排放放在一起构建绩效评价指数更为合适［1］，即“全要素”的思想。环境DEA技术即Malmquist-Luenberger指数被广泛应用于评价的全要素环境绩效和二氧化碳绩效。Chung et al.首次将 Malmquist-Luenberger 技术应用到宏观层面［2］，随后， Kortelainen运用ML技术估算了欧盟20个国家的动态环境绩效(CO2)［3］；Zhou et al.首次将CO2排放绩效作为一个独立于环境绩效的概念进行研究，通过运用ML指数估算了1997~2004年期间18个国家动态的CO2排放绩效［4］；陈诗一通过构建动态(节能减排) 行为分析模型对我国工业节能减排损失和收益进行了预测［5］；王群伟等应用Zhou et al.的环境DEA方法对中国二氧化碳排放绩效进行评估并分析了区域差异和其影响因素［6］；王兵等运用SBM方向性距离函数和ML指数测度了考虑资源环境因素下中国1998~2007年30个省份的环境效率、环境全要素生产率及其成分［7］；刘明磊等运用非参数距离函数方法对能源消费结构约束下的我国省级地区碳排放绩效水平和二氧化碳边际减排成本进行了研究［8］。
综上文献，在测度全要素环境绩效和二氧化碳排放绩效时都是运用了基于方向性距离函数的Malmquist指数或ML指数，在计算距离函数时均以当期观测值来构造生产边界，每一年的投入和产出是被割裂开的，是一种割裂的非连续的绩效测算方法。一般来说，在宏观经济视角下技术总是进步的，至少维持在原有水平不会倒退，传统的ML指数计算方法通常会得出长期的技术退步［9］。为了防止出现技术退步这一缺陷，本文通过借鉴Donghyun and Almas［10］序列DEA的思想，基于省际面板数据，运用SML指数方法对我国1999~2009年各省市二氧化碳排放绩效指数进行估算，同时降解为技术进步指数和技术效率指数进行深入分析，根据结果讨论其空间差异并通过运用面板数据模型探索其差异形成的主要成因。
2 变量、数据及方法
2.1 变量选取与数据处理
假设投入指标为资本（K）、劳动力（L）和能源（E），产出指标为期望产出地区生产总值（y）和非期望产出二氧化碳（b），则生产过程可描述为
P（K，L，E）={（y，b）∶（K，L，E；y，b）∈T}（1）
样本及数据选取考虑实证的需要和数据的可得性，观测区间为1999~2009年面板数据，由于和海南数据缺失过多将其剔出，而计算资本存量时重庆与四川一起方便统计，故样本为中国28个省市自治区。资本存量计算是在单豪杰［11］基础上根据其资本存量计算方法测算补充了2008~2009年数据。劳动力是各地区年初、年末就业人数的算术平均值。能源投入是分别将各地区消耗的煤炭、石油、天然气根据各自能源标准煤折算系数统一换算为标准煤加总。各省市GDP是根据各省区市GDP平减指数将名义GDP转化为以1952=100 的价格。CO2分别将煤炭、石油、天然气换算成标准煤，借鉴徐国泉［12］碳排放折算系数再分别将其转换为后加总。相关数据来源于《中国统计年鉴》和《中国能源统计年鉴》。投入产出数据描述性统计见表1。
在具体测算过程中，已有研究均是通过运用方向距离函数对期望产出和非期望产出进行主观处理，如Zhou et al.［4］和王群伟［6］采用了基于二氧化碳为导向的方向距离函数，而刘明磊等是通过将方向向量定义为g(gy，gb)=(0，-b)，表示假设在保持经济产量不变的前提下，通过减少碳排放总量的增长率使评价达到有效，然而，我国目前的状况是经济在增长的同时碳排放量在增加，但是，主观上我们希望的是不断提高期望产出GDP增长率，同时尽可能减少非期望产出CO2排放量的增长率，因此，本文采用直接产出距离函数，即将DDF定义为D(x,y,b)=max{(1+β)y,(1-β)b∈P(x)}，表示寻求经济产值增长率最大化的同时使得二氧化碳排放量增长率尽可能减少。旧经济模式是高增长、高消耗、高排放的模式，低碳经济是追求保证经济增长过程中尽可能地减少碳排放量的低碳、高增长的发展模式。而基于直接方向距离函数的SML指数正是主观上反映了经济增长的质量，期望实现真正的高效、环保的低碳经济发展模式。Zhou et al.认为这种方法可以用来估算某一个特定时期的各区域二氧化碳排放绩效［4］，即为全要素生产率框架下的二氧化碳排放绩效。
3 中国省际全要素碳排放绩效测算及结果分析
SML计算方法与传统的ML测算方法相同，可以测算出我国各省市碳排放绩效指数（SMLCPI）并分解为技术进步指数(STE)和效率变化指数(SEF)，由于篇幅所限，详细技术可参见Chung et al.［2］和Donghyun and Almas［10］的文章。
3.1 我国CO2排放绩效总体趋势分析
从全国平均来看，SML指数估算CO2排放绩效指数、技术进步指数、效率变化指数总体平均值为1.00732、1.008874、0.998511，表明1999~2009年中国二氧化碳排放绩效增长率为0.732%，技术进步率为0.8874%，效率变化率为-0.149%；总体碳绩效平均值大于1，说明近10年来，我国碳排放绩效总体上是不断提高的；效率变化指数平均值小于1，说明随时间推移各省市之间追赶效应在弱化，经济差距在拉大；技术进步指数平均值大于1，显示技术进步是我国各地区碳排放绩效增长的主要动力。计算结果总体变化趋势如图1所示。
从图1可见，绩效降低的年份只有2004、2005年，与王群伟等［6］估算结果2003~2005碳排放绩效都有所下降不同，此处2003年技术进步规避了效率降低带来的负面效应，碳排放绩效总体有所提高，2004、2005年二氧化碳排放绩效总体下降的主要原因是技术效率的降低。究其原因可能是因为“十一五规划”中后期显示出过度重工业化特征，特别是2003 年后，我国的重化工业化趋势再度显现，中国的能耗和排放再次大幅增长［13］。
3.2 我国各省市碳排放绩效空间差异分析
根据估算结果，为了方便分析，将我国各省市大致分成三类。
第一类，碳排放绩效大于1，且主要是由于技术进步和效率提高的共同作用，如北京、天津、山西、黑龙江、上海、安徽、湖北、湖南、广西、包含重庆在内的四川、贵州；第二类，碳排放绩效大于1，但主要原因是技术进步的作用抵消掉了效率降低的影响而使得碳排放绩效提升，如河北、内蒙古、吉林、江苏、浙江、山东、广东、陕西和甘肃；第三类，碳排放绩效小于1，如辽宁、河南、云南，但是三者成因各不相同，辽宁主要是技术进步指数降低导致，河南绩效降低是效率降低的影响大于技术进步的作用，而云南则是由于技术退步和效率降低共同导致。
从各省市变化情况来看，多数省份效率较低，可能存在只重视技术进步这一硬性因素而忽视了影响效率变化的管理机制等软性因素所造成的，因此，接下来将以SML指数运算结果对各省份碳排放差异进行分析。
4 中国省际全要素碳排放绩效空间差异成因分析
通过运用SML指数方法估算了我国各省市二氧化碳排放绩效（SMLCPI），从时间和空间两个纬度对其进行了深入分析，但是，我们更想知道导致其差异的主要原因有哪些。如上所述，省际间的技术进步对碳排放绩效贡献影响很大，众所周知，R&D投入是衡量技术进步水平的关键指标，而本国的R&D投入是一种受商业或国家利益驱使的广义上的人力资本投资［14］，在本文特指R&D人员RD和R&D强度RG。除此之外，综合考虑前人的研究，考虑二氧化碳排放的主要影响因素，选取经济发展、能源强度、产业结构和能源结构四个指标，因此，分别从技术进步水平、经济发展水平、能源强度和结构因素四个方面六个指标对我国省际二氧化碳排放绩效差异的成因进行考察诠释。在此基础上选取我国各省市1999~2009数据构建了我国二氧化碳排放绩效影响因素研究的面板模型（3），表3给出了计量模型相关变量的数据来源与处理方法。
此处，对回归模型（3）采用固定效应模型运用一般最小二乘法进行估计，结果显示，调整后R2为0.74816， 拟合度较高。R&D强度对二氧化碳排放绩效影响不显著，表明近阶段研发投入没有显著向能源环境研究领域侧重；R&D人员对二氧化碳排放绩效有很大促进作用，系数为0.190109，且在5%显著水平下显著，表明在很大程度上R&D人员对降低碳排放绩效作用很大，主要原因可能在于R&D人员可以促进技术进步，通过知识溢出提高当地技术水平，从而促进碳排放绩效的提高；经济发展水平对二氧化碳排放绩效亦有正效应，系数为0.020228，且在1%显著水平下显著，即表明经济发展水平越高，相应的碳排放绩效越高；能源强度和能源结构对碳排放绩效呈现负效应，系数分别为-0.024007和-0.052750，且分别在1%和10%显著水平下显著，即表明能源强度越高、煤炭消耗占能源消耗比重越高，相应的二氧化碳排放绩效越低；产业结构对二氧化碳排放绩效影响也是正向效应，系数为0.295127，在1%显著水平下显著，表明产业结构调整对碳排放绩效提高也有显著影响。此外，笔者将R&D强度与其它解释变量做了面板回归检验，R&D强度分别对经济发展水平、能源强度和能源结构影响显著，表明现阶段我国R&D投入是通过不断提高经济发展水平、降低能源强度、优化能源结构来间接促进二氧化碳绩效的提高，呈现间接调节作用。
5 结论及政策建议
通过运用基于直接距离函数的SML指数对1999~2009年我国各省市碳排放绩效进行估算，并将其降解为技术进步指数和效率变化指数，从时间和空间两个纬度对运算结果进行深入分析，进而通过运用面板数据构建了我国碳排放绩效影响因素计量模型挖掘其差异形成的主要原因。
研究结果表明：第一，从总体发展趋势上看，我国1999~2009年二氧化碳排放绩效指数SML平均值大于1，效率变化指数SEF平均值小于1，技术进步指数STE平均值大于1，表明过去10年我国碳排放绩效呈改善趋势，技术进步是我国各省市碳排放绩效增长的主要动力；第二，根据各省市碳排放绩效、技术进步指数和效率变化指数的空间差异将我国各省市大致分成三类进行研究，可以看出我国各省市需要继续强化技术进步外更应该重视软实力研究；第三，我国二氧化碳排放绩效主要影响因素中，R&D人员、经济发展水平、产业结构显示显著正的效应，每增加一个单位将导致二氧化碳的排放绩效分别提高0.190109、0.020228、0.295127个单位；而能源强度、能源结构对碳排放绩效影响呈现逐负效应，每增加一个单位将导致二氧化碳的排放绩效分别降低0.024007和0.052750个单位；此外，R&D强度对二氧化碳影响不显著，但是R&D强度分别对经济发展水平、能源强度和能源结构影响显著，存在间接调节作用。
上述结论对于政策的制定有一定的启示：针对第二类地区，存在效率降低的问题，需要不断提高自身“软”性因素，在未来的发展中应该更加重视鼓励技术效率的提高，不断提高人员素质和管理水平，重视“软”实力的提升；针对第三类地区，仍然要下大力气在技术进步上，技术进步是提高碳排放绩效的关键，此外，也要注重“软”实力的提升。另外，各省市都应该持续加大研发资源投入，在R&D投入方面，将R&D人才的引进作为发展的前提，做好相关配套，要做到引得进、留得住；应该持续不断提高R&D强度，同时在未来的工作中对能源环境领域的R&D投入要有所侧重，不断创新改善能源环境技术，从正面促进二氧化碳排放绩效的提高；应该保证经济稳步增长，迅速转变经济增长方式，注重技术投资，尤其是能源环境技术。不断优化产业结构，提高第三产业的比重，鼓励发展服务业。但是，我们在扩大第三产业比重的同时需要注意提高服务人员的素质，普及低碳理念、增强低碳意识。加快能源结构调整，尽可能降低一次能源的使用率。
参 考 文 献：
［1］Ramanathan R. Combining indicators of energy consumption and CO2 emissions: a cross-country comparison［J］. International Journal of Global Energy Issues, 2002, 17(3): 214-227.
［2］Chung Y H, Fre R, Grosskopf S. Productivity and undesirable outputs: a directional distance function approach［J］. Journal of Environmental Management, 1997, 51(3): 229-240.
［3］Kortelainen M. Dynamic environmental performance analysis: a malmquist index approach［J］. Ecological Economics, 2008, 64(4): 701-715.
［4］Zhou P, Ang B W, Han J Y. Total factor carbon emission performance: a malmquist index analysis［J］. Energy Economics,
2010, 32(1): 194-201.
［5］陈诗一.节能减排与中国工业的双赢发展:2009-2049［J］.经济研究,2010,(3):129-143.
［6］王群伟,周鹏,周德群.我国二氧化碳排放绩效的动态变化、区域差异及影响因素［J］.中国工业经济,2010,(1):45-54.
［7］王兵,吴延瑞,颜鹏飞.中国区域环境效率与环境全要素生产率增长［J］.经济研究,2010,(5):95-109.
［8］刘明磊,朱磊,范英.我国省级碳排放绩效评价及边际减排成本估计：基于非参数距离函数方法［J］.中国软科学,2011,(3):106-114.
［9］Shestalova V. Sequential malmquist indices of productivity growth: an application to OECD industrial activities［J］. Journal of Productivity Analysis, 2003,19(2): 211-226.
［10］Donghyun O, Almas H. A sequential malmquist-luenberger productivity index: environmentally sensitive productivity growth considering the progressive nature of technology［J］. Energy Economics, 2010, 32(9): 1345-1355.
［11］单豪杰.中国资本存量K的再估算：1952-2006年［J］.数量经济技术经济研究,2008,(10):17-31.
［12］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：1995-2004［J］.中国人口资源与环境,2006,16(6):158-161.
碳排放的主要原因范文第2篇
关键词 能源碳足迹；IPCC排放因子；LMDI分解法；珠江三角洲
中图分类号 X196 文献标识码 A
文章编号 1002-2104(2012)02-0069-06 doi:10.3969/j.issn.1002-2104.2012.02.011
联合国政府间气候变化专门委员会（IPCC）第四次评估报告[1]证实，全球气候系统变暖是毋庸置疑的。该报告认为，自20世纪中叶以来，大部分已观测到的全球平均温度升高很可能是由于人为温室气体浓度增加所导致。如何控制碳足迹增长成为全球共同关注的焦点。分析碳足迹的影响因素，并从中找出相应的控制对策，是当前碳足迹研究热点之一。日本学者Yoichi Kaya[2]在一次IPCC研讨会上提出了著名的Kaya恒等式，把碳排放分解成能源碳排放强度、能源结构、能源效率、人均GDP和人口规模五方面因素的乘积，很好地解释了碳排放变化的影响因素，得到了广泛认同。此后，许多学者基于Kaya恒等式对碳足迹影响因素开展了大量研究[3-5]。不同学者对不同区域研究得到的影响碳排放的主导因素并不一样。Sue J. Lin等[6]认为经济发展过程中过于依赖以电力、石油为主的“富碳”能源，是台湾过去20年CO2排放持续增长的主要因素。Juan和Emilio[4]研究发现，国际人均碳排放的不平等主要归因于人均收入水平的不平等，能源碳排放强度的影响很小，这一点在中国和印度表现较为显著。郭朝先[7]则认为经济规模的扩张是中国碳排放高速增长的最主要原因。本文结合IPCC的能源碳排放因子，计算珠江三角洲的能源碳足迹，然后基于Kaya恒等式的因素分解，运用指数分解分析法对珠三角能源碳足迹各影响因素的作用方向和影响权重进行分析，以期为实现珠三角碳减排提出对策和建议。
1 研究方法
1.1 碳足迹计算
本文基于IPCC的碳排放因子进行能源碳足迹计算。《2006年IPCC国家温室气体清单指南》（以下简称《IPCC指南》）把表示人类活动发生程度的信息称为活动数据（Activity Data），把用于量化单位人类活动所造成的排放物量或清除量的系数称为排放因子（Emission Factors）[8]。由此得到一下基本模型：
排放量 = 活动数据 × 排放因子（1）
1.1.1 活动数据
在能源碳足迹计算中，活动数据即为各种能源的消费量。
基于不重不漏的原则，兼顾考虑珠三角能源消费特点，本文选取的用于碳足迹计算的能源指标包括原煤、焦炭、汽油、柴油、煤油、燃料油和液化石油气的消费量，共7项。
1.1.2 排放因子
排放因子是消费单位能源所产生的CO2的排放量，这里实际上是指CO2排放因子。CO2排放因子和燃烧技术关系不大（《IPCC指南》，基于燃料中的碳100%氧化的假设制订排放因子），主要取决于能源的种类，即能源的碳含量和能源的平均低位发热量。各种能源的通用碳含量因子依据《IPCC指南》提供。
一般情况下，计算各种能源的消费量时，将能源的折算为标准煤当量。低位发热量等于29 307 kJ的能源，称为1 kg标准煤（1kgce）。
综上所述，七种能源指标的碳含量和折标煤系数如表1所示。
1.2 对数平均迪氏指数分解法（LMDI）
指数分解分析运用统计指数的基本原理，旨在考察某一影响因素的变化对目标产生的单一影响。通过该方法可以考察各影响因素对目标的作用方向和影响程度[9]。对于在能源与环境问题的应用，指数分解分析分离了各种可能机制对污染变化的贡献，并且通过对各可能机制进行分解，达到追溯污染变化趋势的原因，找出间接影响污染指标的深层次因素[10]。
很多学者针对指数分解分析法做了大量研究[11-12]。其中， Ang[13]提出了对数平均迪氏指数分解法（logarithmic mean Divisia index method，简称LMDI法），解决了指数分解分析法原有的残值和零值问题。LMDI法基于这么一个函数：
L(x,y)=(x-y)/ln(x/y) x＞0，y＞0L(0,0)=0（3）
对于任何一个因式分解Wt=Xt×Yt，结合函数L(x,y)有
WX=L(Wt,W0)ln(Xt/X0)
WY=L(Wt,W0)ln(Yt/Y0)（4）
其中，W表示目标函数，X、Y表示影响因素，Xt、Yt、Wt分别表示t时期X、Y、W的值（t=0时，表示基期的值），WX、WY分别表示单独受X、Y作用时，W的变化值。通过比较WX和WY可以得到X和Y单独作用时对W的影响权重。
2 珠江三角洲能源碳足迹状况
2.1 研究对象及区域
碳足迹（Carbon Footprint）概念起源于生态足迹（Ecological Footprint），但其内涵又与之不同。碳足迹一般是指人类各种活动所造成的CO2排放总量，本质上是碳排放的量度。目前，对碳足迹定义还没有统一认识，不同学者和组织[14-15]对其有不同的理解，其主要分歧点在于碳足迹的范围是否包含全部温室气体的排放。
针对这个分歧，本文区分了“广义碳足迹”和“狭义碳足迹”的区别。本文认为“广义碳足迹”指自然界中所有排放途径（包括人类活动和自然界活动，如化石燃料燃烧、动植物的生命活动排放、自然挥发等）所造成的所有温室气体（包括CO2、CH4、NOx等）的排放量。而“狭义碳足迹”，则特指能源活动所带来的CO2排放量，也称为“能源碳足迹”。狭义的“碳足迹”，实际上已经占所有温室气体排放总量的大部分份额，是当前碳减排工作的重点。考虑到条件的限制，本文研究的是能源碳足迹（Energy Carbon Footprint, ECF），即特指能源活动造成的CO2排放总量。
本文的研究区域为广义的珠江三角洲，即包括广州、深圳、珠海、佛山、江门、东莞、中山、惠州和肇庆九个城市的全部区域。研究时间为1998-2009年。
2.2 能源碳足迹计算
1998-2009年珠江三角洲九个城市原煤、焦炭、汽油、柴油、煤油、燃料油和液化石油气的消费量、地区GDP以及人口数量等数据来源包括：历年珠三角九市的统计年鉴、《广东省统计年鉴》和《数说广东六十年1949-2009》。珠三角能源消费状况如图1所示。
由上图可以看出，珠三角能源结构对能源碳足迹的年贡献值有较大的浮动性，总体上呈现推动作用。其中2002、2004年能源结构效应出现负值，主要原因是这两年煤炭消费在珠三角能源消费中所占比例有所下降，分别从2001年的54.81%下降到2002年的54.48%，以及从2003年的56.44%下降到2004年54.97%。由此可见，降低珠三角能源消费对煤炭的依赖，有助于减少珠三角的CO2排放。
3.2 能源效率因素
把能源效率累计贡献值分解为年贡献值（见图5）。
研究期间，能源效率效应一直为负值（基准年除外），说明了能源效率因素对减少CO2排放起到了积极作用。根据能源效率效应的变化趋势，研究期间可分为两个阶段。第一阶段为1999-2004年，该时期能源效率效应有一定波动，但年贡献值绝对值不高，普遍低于1 000万t。第二阶段为2005-2009年，该期能源效率效应的年贡献值绝对值迅速增加，至2008年达到峰值，接近2 500万t，2009年则有所回落。第二阶段能源效率效应
的减排作用在显著增强，主要原因是“十一五”规划刚要规定，“十一五”期间我国单位国内生产总值能耗降低20%左右。珠三角各市响应该规定，积极采取措施淘汰落后产能，特别是关停许多小火电厂、水泥厂、钢铁工业等高污染落后产能，提高能源效率的同时，大幅度削减了这些行业所造成的CO2排放。
由此可见，发展低碳产业，提高能源效率，是珠三角控制CO2排放的有效手段。
由图6可见，研究期间，能源效率效应一直为正值（基准年除外），且年贡献值巨大，说明了经济规模扩大是CO2排放量增长的主要推动力。
经济效应的变化趋势可分为三个阶段。该阶段，1999-2004年，珠三角经济效应年贡献值保持迅速增长，这与该阶段珠三角人均GDP增长率不断上升有直接关系。第一阶段实际上是经济因素的规模效应最典型的体现。第二阶段，2005-2007年，珠三角经济效应年贡献值依然保持持续增长，但增长速度明显放缓，最大同比增长率不超过5%。本阶段主要处于“十一五”规划时期，“十一五”规划纲要明确提出了“降低单位国内生产总值能源消耗20%”、“主要污染物排放总量减少10%”等约束性指标，进一步明确了经济、资源、环境协调的发展方向，不再盲目追求GDP的快速增长。人均GDP增速略有回落，扭转了经济效应迅速增长的势头，国家政策的调控作用显著。第三阶段，2008-2009年，珠三角经济效应的年贡献值出现了明显的回落。第三阶段是一个较为特殊的时期，国际金融危机背景下，国际经济普遍低迷。珠三角对外贸易占经济总量中的比重较大，受国际金融危机影响，珠三角经济增长明显放缓，导致经济效应出现明显的下降。
综上所述，经济效应受经济规模、国家政策、国际金融环境影响。因此，要抑制珠三角碳足迹快速增长，就必须适度控制珠三角的经济规模，并制订相应环境经济政策以削弱经济效应的影响。
3.4 人口因素
把人口因素的累计贡献值分解为年贡献值，见图7。
从图7可以看出，珠三角人口效应年贡献值的变化与人口数量的变化基本是一致的。人口规模的扩大，对珠三角碳足迹增长起推动作用。Birdsall[16]认为人口增长对CO2排放的影响主要有两方面：一是人口增加，通过需求引导生产扩大，能源消费增长导致碳排放增长；二是人口增长导致森林破坏，改变土地利用方式。虽然进入21世纪以来，珠三角人口增长缓慢，但由于人口基数巨大，由人口数量引起的能源碳足迹增加量也相当可观。人口效应是仅次于经济效应的能源碳足迹增长的主要推动力。
由此可见，合理控制人口规模，对控制珠三角CO2排放具有积极的意义。
4 结 论
通过计算珠三角能源碳足迹，并分析其影响因素，可以得到以下五点结论：①珠三角能源碳足迹总体呈现快速增长趋势，且年排放量巨大，最高值超过25 000万吨CO2。②珠三角人均碳足迹略低于全国平均水平，但处于上升趋势；而珠三角的单位GDP碳足迹虽远低于全国平均水平，但距离发达国家的水平仍有较大差距。③经济因素的规模效应是珠三角碳足迹快速增长主要推动力，人口规模扩大对珠三角碳排放的增长也起到推动作用。④能源效率的提高，是抑制珠三角CO2排放增长的最重要因素。⑤研究期间珠三角能源结构变化不大，能源结构效应的作用表现并不显著。
参考文献（References）
［1］The Fourth Assessment Report(AR4)-“Climate Change 2007”［R］.IPCC,2007.
［2]Kaya Y.Impact of Carbon Dioxide Emission on GNP Growth: Interpretation of Proposed Scenarios［R］.Presentation to the Energy and Industry Subgroup,Response Strategies Working Group, IPCC,Paris,1989.
［3］冯相昭,邹骥.中国CO2排放趋势的经济分析［J］.中国人口・资源与环境，2008，18（3）：43-47. ［Feng Xiangzhao,Zou Ji.Economic Analysis of CO2 Emission Trends in China［J］.China Population,Resources and Environment,2008,18(3):43-47.］
［4］Duro J A, Padilla E.International Inequalities in per Capita CO2 Emissions:A Decomposition Methodology by Kaya Factors［J］.Energy Economics,2006,28(2):170-187.
［5］朱勤,彭希哲,陆志明,等.中国能源消费碳排放变化的因素分解及实证分析［J］.资源科学，2009，31（12）：2072-2079. ［Zhu Qin,Peng Xizhe,Lu Zhiming,et al.Factors Decomposition and Empirical Analysis of Variations in Energy Carbon Emission in China［J］.Resources Science,2009,31(12):2072-2079.］
［6］Sue J L, Lu I J,Charles Lewis.Grey Relation Performance Correlations Among Economics,Energy Use and Carbon Dioxide Emission in Taiwan［J］.Energy Policy,2007,35(3):1948-1955.
［7］郭朝先.中国碳排放因素分解：基于LMDI分解技术［J］.中国人口・资源与环境，2010，20（12）：4-9. ［Guo Chaoxian.Decomposition of Chinas Carbon Emissions:Based on LMDI Method［J］.China Population, Resources and Environment,2010,20(12):4-9.］
［8］2006 IPCC Guidelines for National Greenhouse Gas Inventories―Volume 2 Energy［R］.IPCC,2006.
［9］张敬伟,宫兴国.产业结构变动对能源消费的影响研究：以河北省为例［J］.燕山大学学报：哲学社会科学版，2010，11（1）：106-110. ［Zhang Jingwei,Gong Xingguo.The Impact of Changes in Industrial Structure to Energy Consumption：Take Hebei Province as an Example［J］.Journal of Yanshan University: Philosophy and Social Science Edition,2010,11(1):106-110.］
［10］杨国锐.中国经济发展中的碳排放波动及减碳路径研究［D］.湖北：华中科技大学，2010. ［Yang Guorui.A Study on the Fluctuation of Carbon Emission in China s Economic Development and the Path of Reducing Carbon Emission［D］.Hubei:Huazhong University of Science and Technology,2010.］
［11］Sun J W.Accounting for Energy Use in China,1980-90［J］.Energy,1998,23(10):835-849.
［12］Liu X Q, Ang B W, Ong H L.The Application of the Divisia Index to the Decomposition of Changes in Industrial Energy Consumption［J］.Energy Journal,1992,13(4):161-177.
［13］Ang B W, Zhang F Q, Choi Kihong.Factorizing Changes in Energy and Environmental Indicators Through Decomposition［J］.Energy,1998,23(6):489-495.
［14］Wiedmann T, Minx J.A definition of carbon footprint［J］.SA Research & Consulting,2007:1-9.
［15］王微,林剑艺,崔胜辉,等.碳足迹分析方法研究综述［J］.环境科学与技术，2010，33（7）：71-78. ［Wang Wei,Lin Jianyi,Cui Shenghui,et al.An Overview of Carbon Footprint Analysis［J］.Envrionmental Science & Technology,2010,33(7):71-78.］
［16］Birdsall N.Another Look at Population and Global Warming［C］.Working Paper, Washington,DC: World Bank,WPS 1020,1992.
Decomposition of Pearl River Deltas Carbon Emissions Based on LMDI Method
PENG Junming1,2 WU Renhai2
(1.Zhonshan Environmental Monitoring Branch, Zhongshan Guangdong 528400, China; 2.School of Environmental Science and Engineering, Sun Yatsen University, Guangzhou Guangdong 510275, China)
碳排放的主要原因范文第3篇
中国于2007年超过美国成为世界第一碳排放大国。2011年全球共排放CO2340亿吨，中国占世界总排放量的比重高达29%。①与此同时，中国从2003年开始，OFDI迅猛增长。《中国对外直接投资统计公报（2012）》显示，2011年中国OFDI实现了自2003年以来连续10年的高速增长，达到746.5亿美元，同比增长8.5%；2003~2011年，中国OFDI年均增长速度为44.6%。中国不断增加的OFDI是否如“污染天堂假说”所说，转移了高污染及高能耗产业，有助于减少本国的CO2排放，这是一个值得深思的问题，也是本文的主要议题。
二、计量模型设定及数据来源
（一）计量方程设定
地区污染通常受经济规模、技术水平、产业结构等因素的影响（熊立等，2012；周力和庞辰晨，2013）。本文使用上述变量来分析我国OFDI对CO2排放量的影响，因此本文的基本方程设定如下：2logCOlogOFDI+LogGDP+logTech+logStruc+LLLLL（1）为了更好地分析影响我国CO2排放量的影响因素，本文同时引入了其他控制变量，即科研经费（RD）、地区受教育程度（Edu）、绿地面积（Green）、环境治理投资（Environ）和能源消费结构（Coalratio），最终计量方程设计为：2ititititititititititLlogCOlogOFDI+LogGDP+logRD+logEdu+logStruc+logGreen+logEnviron+logCoalratio+LLLLLLL（2）其中，i代表区域，t代表时间（年份），采用对数形式是为了更好地控制异方差。
（二）变量设定及数据来源
本文选取了2003~2011年我国30个省市自治区（除）的省级面板数据，以下进行变量说明：1.被解释变量：CO2排放量。本文通过《中国能源统计年鉴（2012）》获得各省市自治区石油、煤、天然气3种能源的消费量数据，并通过《中国可持续发展能源暨碳排放情景分析》中给定的排放系数进行转换，其中：石油的碳排放系数为0.58吨碳/吨标煤、煤炭的碳排放系数为0.75吨碳/吨标煤，天然气的碳排放系数为0.44吨碳/吨标煤。2.核心解释变量：对外直接投资（OFDI）。本文参照许和连和邓玉萍（2012）的做法，选取各省市自治区OFDI存量进行估计。数据来源为2005年、2012年两个年度的《中国对外直接投资统计公报》。3.其他变量：（1）经济规模。参照He（2006）的做法，本文用各省市自治区GDP作为经济规模的衡量指标。通常情况下，经济规模越大意味着更高的工业化水平，因此也会带来更多的CO2排放，二者拟呈正相关关系。数据来源为《中国统计年鉴（2012）》。（2）技术水平。对于技术水平的衡量，学界较多采用单位工业产出CO2（或SO2）排放量，为避免解释变量与被解释变量的多重共线性，本文选用两个指标来共同衡量技术水平，即各省市自治区的科研经费和地区受教育程度（高中以上受教育人数）。科研经费投入的增多必然提高节能减排技术水平，而教育水平的提高也会增强个人的节能减排意识，因此上述两个指标的提高都有助于节能减排，其与碳排放拟呈负相关关系。数据来源为中国科技部网站。（3）产业结构。第二产业为高碳排放产业，对于产业结构的量化，本文沿用已有的方法，采用第二产业产出占GDP的比重进行量化，第二产业产出比重的上升，必然带来碳排放量的提高，二者拟为正相关关系。数据来源为《中国城市统计年鉴（2012）》。（4）绿地面积。绿地面积的增加必然带来我国碳排放量的减少，其与碳排放拟呈负相关关系。数据来源为《中国城市统计年鉴（2012）》。（5）环境治理投资。近年来，我国加大了对环境治理的投资，2010年与2011年我国的环境治理投资分别为6,554亿元和7,114亿元。环境治理投资的增加必然有利于我国CO2排放量的减少，二者拟呈负相关关系。数据来源为《中国城市统计年鉴（2012）》。（6）能源结构。我国的能源消费以煤炭为主，占总能源消费量的70%以上。因此，本文选用煤炭消费量占总能源消费量的比重作为能源结构的量化指标。煤炭消费比例的上升必然导致碳排放量的增多，二者拟呈正相关关系。数据来源为《中国能源统计年鉴（2012）》。
（三）数据相关特征分析
加入对数后，数据整体变小，但仍可看到OFDI的对数标准差达到2.16，说明了2003~2011年我国OFDI的巨大变化，而本文选择在此阶段研究OFDI的碳排放效应，也使得结果更有可信度。由表2的相关性分析可知，经济规模（LogGDP）与许多变量的相关系数都超过了0.7，疑存在多重共线性，因此对模型进行多重共线性检验，检验结果如表3所示。由表3可知，经济规模（LogGDP）的方差膨胀因子（VIF）大大超过了10，模型存在严重的多重共线性，因此，以下进行回归估计时，需对模型进行修正，并剔除具有多重共线性的变量。
三、计量结果分析
（一）全国层面分析
本文选取2003~2011年中国30个省级面板数据对计量方程进行回归。首先对模型进行Hausman检验，根据检验结果，采用固定效应对模型进行回归估计。此外，由于模型存在多重共线性，因此在回归估计时采用逐步回归法，从而剔除不显著变量。如表4所示，随着变量的加入，R2不断增大，且模型1~6所有变量均十分显著，但随着绿地面积与产业结构的加入，R2开始减小，且二者的估计值均不显著，因此将上述两个变量予以剔除。模型1~6均通过Wald检验，模型估计效果良好，选择模型6进行最终结果分析。数据显示：1.我国OFDI对国内碳排放呈显著正效应，OFDI每增加1%，国内CO2排放量将增加0.0914%。这说明，我国OFDI的增多显著提高了我国的CO2排放量。从全国层面来看，“污染天堂假说”不适用于中国。我国的对外直接投资并没有转移国内高能耗产业，将高碳排放转移至东道国。笔者认为，中国OFDI的增多通常会给本国带来产业结构调整效应，增加第二产业的比重，而第二产业为高碳排放产业，这也是OFDI使得我国CO2排放量增多的原因所在。2.经济规模扩大是我国碳排放增多的主要原因。数据显示，经济规模每扩大1%，我国的碳排放会显著增加1.2541%。长期以来，我国第二产业的比重远远高于第一、三产业，经济规模的扩大意味着工业化程度的提高，碳排放量必然显著增多。3.能源结构是增加国内碳排放的重要原因。结果显示，我国煤炭消费的比率每上升1%，我国的碳排放将增加0.5728%。这说明，如果增加其他化石能源的消费以替代煤炭消费，会有助于减少我国的碳排放，调整能源消费结构是节能减排的重要一环。4.我国的技术研发和受教育水平的提高均有助于减少国内碳排放。如果我国的技术研发经费与受教育水平分别增加1%，国内CO2排放量将分别显著减少0.1944%和0.4740%。5.我国的环境治理投资增加了国内的CO2排放量。数据显示，我国的环境治理投资每增加1%，国内碳排放量将显著增加0.0828%。这是由于我国的环境治理投资主要用于减少“三废”，对废气、废渣的处理采用“催化燃烧”等方法时将会增加CO2排放量，这就是加大环境治理投资反而提高国内碳排放的原因所在。
（二）地区层面分析
由于我国幅员辽阔，区域间经济发展程度不同、产业结构不一样，更为重要的是，我国的OFDI数量在区域分布上极不均衡（如表5所示），因此有必要分区域研究我国OFDI对不同地区CO2排放的影响。本文将沿用剔除了多重共线性变量的模型进行估计，分析区域间的差异。本文对地区层面的分析沿用前面的分析方法，首先通过Hausman检验选择固定效应模型，结果如表6所示，其中：东中西部3个模型均通过Wald检验，且较高的R2也显示，模型的解释度较高。以下对回归结果进行简要分析。1.OFDI对CO2排放量的影响呈正效应，这与全国层面的分析保持了一致。然而，在东部地区，OFDI对CO2排放量的影响并不显著，而二者的关系在中西部地区却十分显著。由表5可知，东部地区的OFDI远高于中西部地区，其与当地CO2排放量的关系却不成比例。笔者认为，我国正在将高污染和高能耗产业向中西部转移，庞大的对外投资代表着高速发展的经济水平，而这种经济高速发展却未带来相应比例的碳排放，这便是产业转移的直接效应。数据显示，在我国中西部地区，OFDI的增加均提高了上述地区的碳排放量：OFDI每增加1%，中部地区和西部地区的CO2排放量将分别增加0.1277%和0.1044%。2.经济规模仍然是我国高碳排放的主要原因。在地区分析中，经济规模仍然与我国的碳排放呈正相关关系，且在3个地区均十分显著，这与全国层面分析保持一致，且经济规模扩大所带来的碳排放正效应按东中西部依次递减。3.科研投入与受教育水平仍然是影响我国CO2排放的主要因素。二者在地区回归分析中均与我国碳排放呈负相关关系。科研投入在中西部地区的减排效应并不显著，这是由于我国的科研投入极不平衡，主要集中在东部发达地区，中西部则较少；受教育水平在我国东西部地区显示为显著的负效应，而在中部地区对碳排放的影响则不显著。4.能源结构依然是我国高碳排放的重要原因。在地区分析中，能源结构仍然显示为正效应，但在东部地区，能源结构的正效应并不如中西部地区显著，这再次说明了我国东部地区存在高能耗企业转移现象。5.环境治理投资被再次证明并不能减少反而会增加我国的碳排放量。在地区层面分析中，环境治理投资仍然对我国的碳排放呈正效应，由此进一步说明，我国对“三废”的处理反而增加了我国的CO2排放量，其处理方法有待改善。
四、结论与政策建议
本文选用2003~2011年中国30个省市自治区的省级面板数据研究分析了我国OFDI对本国CO2排放量的影响。实证结果表明，我国的OFDI每增加1%，国内CO2排放量将增加0.0914%，这说明我国的OFDI并没有减少国内碳排放，反而是增加本国碳排放的重要原因之一。作为碳排放大国，中国的节能减排工作刻不容缓，根据研究结果，笔者认为应从以下几个方面加以应对：
（一）调整对外直接投资流向，加强国际能源开发
研究结果显示，我国OFDI的增多会导致我国CO2排放量的增多，这说明我国并没有将高污染、高能耗产业转移至国外，因为我国OFDI主要流向了租赁服务业，①并不能减少国内的碳排放。笔者认为，我国的OFDI应加强对能源行业的投资比重，加强与他国在能源开发方面的合作，研究新能源，共同降低能耗和排放强度，从而一方面解决我国的能源安全问题，另一方面促进我国节能减排工作的开展。
（二）调整区域对外直接投资比重，促进中西部经济发展
在区域研究中，东部OFDI比重最大，中西部的投资比重则相差甚远，然而东部OFDI对CO2排放量的影响却不显著，而且不成比例，这再次证明了东部正在将高污染高能耗产业向中西部转移，中西部OFDI带来的正碳排放效应很可能是由于产业转移带来的，而造成上述现象的原因依然是经济水平发展的不平衡。因此，带动中西部经济发展是解决问题的关键，而加强OFDI则是促进地区经济发展的重要手段之一。对外直接投资的增多可能会增加我国的碳排放量，但会逐渐平衡我国区域的碳排放量，减少我国中西部的碳排放量。
（三）调整能源结构
本文虽然主要探讨OFDI与我国CO2排放量的关系，但是回归结果显示，能源消耗才是我国碳排放量增加的直接原因之一。这是由于我国的能源消费主要以煤炭为主，而煤炭的碳排放系数最高，也就造成了我国较高的碳排放量。目前，我国应加大清洁新能源的开发力度。与此同时，还要逐渐采用“以气代煤”和“以油代煤”的手段，调整能源消费结构，降低我国的CO2排放量。
（四）加大技术研发和教育力度
技术投入和教育水平与我国的CO2排放量呈负相关关系。这说明上述两个要素是降低我国碳排放的重要手段。因此，加大研发力度、提高个人教育水平和素质、强调节能减排从个人做起，将有利于降低我国的碳排放。
（五）调整环境治理手段，逐步改变使用高碳排换取低“三废”的治理手段
碳排放的主要原因范文第4篇
关键词：服务业；碳排放；发展导向；IPCC法；灰色关联分析法
中图分类号：F719文献标识码：A文章编号：1008-2670（2014）01-0100-05
收稿日期：2013-10-31
基金项目：吉林省教育厅“十二五”社会科学研究项目“吉林省现代服务业发展状况调查研究”（2013169）。
作者简介：韩岳峰，女，吉林长春人，吉林财经大学国际经贸学院、国际交流学院副教授，研究方向：世界经济，国际贸易；申瑛琦，女，黑龙江哈尔滨人，吉林财经大学，研究方向：区域经济；张龙，男，吉林长春人，吉林财经大学，研究方向：服务贸易。
一、引言
大气中二氧化碳排放量的增加是造成全球气候变暖的主要原因，目前来说，虽然服务业属于低能源消耗、低碳排放的产业，但随着三次产业的重新划分及各产业碳排放量的积累，服务业的碳排放必然成为碳污染的重要来源，由此服务业碳排放问题将成为了未来一大研究热点[1]。而产业结构优化（调整与升级）是一个国家或地区产业比例的最优化过程，以低碳为目标的产业优化是今后产业调整的必然趋势。
纵览已有研究成果，基于碳排放角度的产业结构优化研究主要是针对于第一产业与第二产业，且集中在以下两个方面：一方面是通过研究碳排放与产业结构的关系，得出产业结构对碳排放的影响，并在此基础上运用理论分析找出产业结构的重点优化方向，如段莹[2]、虞义华[3]等的研究。另一方面是研究二者关系后，通过定量的方式采用具体的经济统计分析方法提出产业结构优化方案，如于娜[4]、谢链锋[5]等的研究。而随着服务业的迅速发展，服务业活动的碳排放将成为碳排放来源的重要组成部分，确定低碳角度下的服务业发展导向意义重大。
基于此，本文在计算吉林省2004-2010年服务业内部行业碳排放量的基础上，运用灰色关联法分析吉林省各服务行业对碳排放的不同影响程度，进而找出吉林省服务业内部结构优化方向，为政府服务业发展战略的制定与实施提供可供参考的意见和建议。
二、研究方法与数据来源
（一）研究方法
1.碳排放量测算方法
目前，尚未形成对碳排放标准的监测方法，数据一般是基于煤、石油、天然气三类化石能源的消费量推导计算得出的，如张雷[6] 、朱勤[7]、张龙[8]等采用的方式是间接碳测算法（IPCC法）。本文采用IPCC法，从服务业物质投入的角度测算吉林省服务业的碳排放量，并构建吉林省服务业碳排放量公式如下：
2.灰色关联分析法
碳排放问题是一个存在信息不充分且存在诸多不确定因素的领域，而且多种因素的影响作用决定了它的发展。它与产业发展的很多因素有着密切相关的关系，需要进行关联性分析。关联性分析有几种计量经济模型，比如数理统计中的主成分分析、回归分析、方差分析等，但这些方法往往要求有大量样本数据，且各因素之间彼此无关[9]。对于本文所研究的问题，使用这些研究模型是不合适的。
此外，碳排放强度和服务业结构的关联度数值本身并不是本文研究的关键，本文重点关心的是以此得出的不同服务业与碳排放量关联度大小的排序结果，从而找出未来控制碳排放的服务业结构调整方向。基于服务业碳排放测算难及现实可操作性的考虑，经过综合比较分析，本文选取灰色关联分析方法，来反映碳排放强度和产业结构的关系[10]。关联程度通常是以关联系数体现的：关联示数越大证明关联程度越大，反之则越小。灰色关联法操作步骤及计算公式见表1
（二）数据来源
在《吉林省统计年鉴》分行业能源品种消费（实物量）中，统计能源消费量时涉及到17种能源，根据本文的研究，将能源按形态划分为3大类：煤类、油类、气类。其中，煤类包括原煤、洗精煤、煤制品、焦炭；油类包括原油、汽油、煤油、柴油、燃料油、其他油制品；气类包括天然气、焦炉煤气、炼厂干气、液化石油气。在测算吉林省服务业各行业碳排放量时，数据主要来源于《吉林省统计年鉴（2005-2011）》中三大能源平衡表中的服务业各部门的能源消费量；对于没有表示出来的服务部门，则其能源消费量按当年投入产出表中各服务行业增加值的比例来估算。为后续研究的开展，需要先将能源实物量换算成标准煤。具体公式为：标准煤=实物量×标准煤折算系数，表2所示为各能源的标准煤折算系数。
三、分析与结论
（一）服务业碳排放的相关分析
1.服务业碳排放量的计算
运用表1给定的各能源标准煤折算指数、能源碳排放系数（万吨标准煤）及公式（1），由各服务行业不同能源消费量计算其碳排放量，最终得到2004-2010年吉林省各服务行业的碳排放量情况，见表3。
由表3可知，近几年，吉林省各服务行业碳排放量差异较为明显，交通运输、仓储和邮政业排放量最高；批发、零售业、住宿和餐饮业以逐步递增的方式在超过100万吨；相较而言，水利、环境和公共设施管理业，租赁和商务服务业，研究、技术服务和地质勘查业等碳排放量不足10万吨，为绿色服务产业。就服务业碳排放总量来看，处于首位的交通运输、仓储和邮政业2010年碳排放量高达439.38万吨，批发、零售业、住宿和餐饮业以154.82万吨位居于次席，碳排放量最少是水利、环境和公共设施管理业，仅为0.97万吨。
2.服务业灰色关联分析相关值计算
以表3显示的2004-2010年吉林省13类服务业的碳排放量为数据基础，用灰色关联分析法分析吉林省服务业结构对碳排放的影响。具体来说，将吉林省服务业总的碳排放量作为参考序列，服务业中的13类具体行业作为相应的比较序列，依次进行无量纲处理（得到标准序列）、计算差绝对值、关联系数，并最终对关联度进行排序。
经过计算，得到吉林省13类服务行业各自的碳排放量与服务业总排放量平均关联度分别为：RA=0.93，RB=0.78，RC=0.78，RD=0.84，RE=0.91，RF=0.87，RG=0.67，RH=0.86，RI=0.92，RJ=0.65，RK=0.71，RL=0.89，RM=0.67。具体排序为：RA> RI >RE> RL >RF >RH >RD >RB = RC> RK >RG =RM >RJ 。
（二）基本结论
结合前文研究结果与相关分析，可得出以下结论：
（1）从行业碳排放量角度来看，13类服务业碳排放差异较大，吉林省服务业碳排量总体呈现较为明显的上升趋势。与2004年相比，分别累计增加了87.5%、120. 9%、113.5%、102.1%、84.7%、107.9%、142.5%、91.6%、94.1%、118.1%、64.0%、101.8%、106.1%的碳排放量，平均增幅在1倍以上，最高增幅出现在水利、环境和公共设施管理业，最低增幅出现在文化、体育和娱乐业。具体来说，交通运输、仓储和邮政业，批发、零售、住宿和餐饮等传统服务行业属于碳排放量高的服务业；租赁和商务服务业等新型服务行业为低碳排放量服务业。所以，从碳排放量的角度看，为减少碳排放，首先需对传统服务行业结构进行优化，应该把此类产业列为吉林省重点调整和优化结构的服务业对象。
分析其原因可能是目前我国交通运输、仓储和邮政业（如民航、长途运输等工具）的能源消费主要是石油，而绝大多数的餐饮企业能源消费则以煤炭、天然气、液化气为主， 这种大量使用化石燃料却很少使用清洁能源和新能源的能源消费结构是导致其碳排放高的最主要原因。当然， 与这些服务行业缺乏绿色经营理念、节能减排科技投入少等原因同样密不可分。
（2）从分行业对服务业碳排放的影响角度看，13类服务业碳排放影响差异较大，关联度最高的为交通运输、仓储和邮政业（0.93），最低的是卫生、社会保障和社会福利业（0.65）。同时通过上述两点结论及上面分析可知，碳排放量多少与碳排放对服务业影响并不存在必然的联系，更不能单纯地认为存在着正向相关关系，这是我们非常容易陷入的一个误区碳排放量多少与碳排放对服务业影响并不存在必然联系，进而基于这两个角度选出的服务业优化导向也就不同。，类似现象在李健[11]的中国碳排放强度与产业结构的关联分析中已经做了合理的解释。因此，从服务业碳排放灰色关联分析的角度看，要想有效减少服务业碳排放，首选应是优化关联度较高的交通运输、仓储和邮政业，租赁和商务服务业等行业。
尽管本文分析中有些服务行业无论是总量还是对服务业总的碳排放量影响方面基数不大，这主要是因为我国现阶段服务业的发展水平还比较低，表现为服务业的碳减排效应不明显。但是，需要注意的是，近年来服务业的发展速度迅速，甚至逐渐成为带动地区经济的主要源动力，而且随着三次产业结构优化进程的加快，服务业碳排放问题必然影响巨大。因此，必须未雨绸缪，现在就应注重优化服务业内部结构，提高服务业的发展水平，为加快产业结构优化，降低服务产业碳排放强度做好准备。
四、讨论与展望
本文定位的吉林省服务业发展导向主要是基于碳排放量及服务业碳排放灰色关联度的角度，更进一步说，本文的分析只是找到了在服务业内部行业中应该有目的、有准备、有次序地选择优化哪些行业，并没有在行业经济效益、产业关联、充分就业和产业规模等约束条件下去寻找具体优化途径。随着服务业的高速发展及其在三产业中比例的大幅提升，这一领域的研究空白必然会被迅速填补，笔者目前也在进行大量的数据收集和处理工作，但由于庞大的工作量及数据收集难度，并没能在本文中一起研究，这些遗留问题将是笔者接下来的学术研究重点。
随着经济的发展，资源环境和气候问题已经越来越明显地制约着经济的进一步发展。本文所重点强调的学术重点在于服务业碳排放量与服务业碳排放影响之间的关系，摒弃误区。另外，本文的核心观点是：按照可持续发展的要求，像中国这样资源使用量巨大的发展中国家，不能走先排放、后治理的路径，而必须在借鉴服务业发展及服务业碳排放研究已经取得很大进展的发达国家经验的基础上，力求在发展的过程中边发展、边治理，甚至未发展、先设防，实现服务业的绿色发展，实现经济和社会的可持续发展。
参考文献：
[1]田云，张俊飚，李波.基于投入角度的农业碳排放时空特征及因素分解研究――以湖北省为例[J].农业现代化研究，2011（6）：752-755.
[2]段莹.产业结构高度化对碳排放的影响――基于湖北省的实证[J].统计与决策，2010 （23）：94-95
[3]虞义华，郑新业，张莉.经济发展水平、产业结构与碳排放强度――中国省级面板数据分析[J].经济理论与经济管理，2011 （3）： 89.
[4]于娜.基于节能目标的辽宁省产业结构优化研究[D].大连：大连理工大学，2009.
[5]谢链锋.低碳约束下湖北省产业结构调整研究[D].武汉：华中科技大学，2010.
[6]张雷，黄园淅，李艳梅，等.中国碳排放区域格局变化与减排途经分析[J].资源科学，2010，32（2）： 211-217.
[7]朱勤，彭希哲，陆志明，等.人口与消费对碳排放影响的分析模型与实证[J].中国人口・资源与环境，2010，20（2）：98-102.
[8]张龙.中国农业碳排放变化因素分解研究――基于能源消耗与贸易角度的LMDI分解法[J].当代经济研究，2013（4）：47-52.
[9]尹春华，顾培亮.我国产业结构的调整与能源消费的灰色关联分析[J].天津大学学报：自然科学版，2003，36（1）：104-107.
碳排放的主要原因范文第5篇
关键词：工业碳排放； 能源消费； 影响因素； 合肥市
中图分类号：X502
文献标识码：A 文章编号：1674-9944（2016）20-0032-06
1 引言
2014年11月12日，作为世界上最大的CO2排放国，中国在《中美联合气候变化联合声明》中承诺，计划2030年左右CO2排放达到顶峰且将努力早日达到顶峰，并计划到2030年非化石燃料能源占能源消费比重1到20%左右。根据气候变化第二次国家信息通报[1]，我国2005年化石能源消费导致的CO2排放占CO2排放总量的93.66%。工业是国民经济的基础产业，同时也是能源密集型行业，因此由工业直接导致的CO2排放量在碳排放中占主导地位，这在国内外众多学者的研究中得到了佐证[2～5]。因此，研究工业部门碳排放的影响因素对今后节能工作的展开具有重要参考作用。就目前的研究来看，主要是利用SDA 、IDA等因素分解方法讨论能源碳排放的影响因素及影响程度。由于SDA对数据有着较高的要求，没有IDA应用广泛。Ang[6]综合分析了众多IDA，认为LMDI在理论基础、技术特点、应用领域以及结果表达等方面最具优势，主要是该法具有时间独立性、有效处理零值和数据汇集一致性等优点。更重要的是，LMDI的加法和乘法形式易于转化，能消除残差项，使模型更加可靠[7]。Wang等[8]通过LMDI分解法对2005～2009年中国水泥行业的温室气体排放的驱动因素进行分析，结果表明能源强度在降低温室气体排放总量中发挥了积极作用。Xu等[9]通过利用LMDI分析了我国1995～2011年中国化石能源碳排放的影响因素，认为经济产出、人口规模是碳排放的主要因素。王媛等[10]采用LMDI论证了能源结构效应对天津市碳排放的影响。以上研究为深入研究碳排放量年际变动的不同因素的作用机制打下了基础，对于研究碳排放动态具有重要作用。以合肥市为例，深入工业内部的各个行业中，全面、系统地剖析工业经济发展、能源效率提高、能源结构以及产业结构的变动等对CO2排放量的影响，以期确定主要影响因素，然后制定相应的减排措施。
2 数据来源及研究方法
2.1 数据来源
根据《国民经济行业分类标准》（GB/T 4754―2011）并结合合肥市工业发展的实际情况，将合肥市工业分为采掘业，制造业，电力、热力、燃气及水的生产和供应业三大类共33个行业。其中各行业的能源消费数据和经济发展等相关数据来源于《合肥统计年鉴》[11]，部分数据来源于相关部门调研，有关涉及工业和各行业历年总产值数据以2000年不变价格折算以剔除价格变动因素；各种能源的平均低位发热量、折标煤系数参考《中国能源统计年鉴2013》[12]；各种化石能源的碳氧化率、单位热值含碳量源自《省级温室气体清单编制指南（试行）》。
2.2 碳排放计算方法
科学测度CO2排放量是减少CO2排放和制定未来能源战略的前提和基础。由于合肥市至今没有CO2排放监测数据，只能基于能源消费量的基础上计算CO2排放量。目前，合肥市工业消费的能源有化石能源、热力、电力以及包括生物质能、核能、风能、水能等在内的其他能源。其中，各行业消费热力、电力不会直接引起CO2的排放，将热力能源生产和火力发电的能源消费产生的CO2排放直接计入电力、热力的生产和供应业，以避免重复计算。由于生物质能生产过程中吸收的CO2与燃烧排放的CO2基本相等，消费生物质能几乎不会引起CO2净排放。而核能、风能、水能等能源几乎不产生CO2。因此，计算工业各个行业能源消费导致的CO2排放只需计算化石能源消费导致的CO2即可。利用的化石能源包括原煤、洗精煤、其他洗煤、煤制品、焦炭、焦炉煤气、其他煤气、原油、汽油、煤油、柴油、液化石油气、燃料油、天然气等14类。综合衡量CO2排放量估算的相对严谨性和可操作性，可以采用公式（1）估算合肥市工业化石能源消费的CO2排放量：
式（1）中：CEFC表示化石能源消费的CO2排放量（tCO2）；FCij表示第i种行业第j种化石能源种类（t，万Nm3）；CEFj表示第j种化石能源的CO2排放系数（tCO2/t，tCO2/万Nm3）。
第j种化石能源的CO2排放系数CEFj用以下公式计算：
首先用公式（2）计算第j种化石能源的CO2排放因子EFj：
式（2）中：EFj表示第j种化石能源的排放因子（tCO2/TJ）；CCj表示第j种化石能源的单位热值含碳量（tC/TJ）；OFj表示第j种化石能源的碳氧化率（%）；4412表示CO2与C的分子量之比。
结合公式（2），利用公式（3）计算第j种化石能源的CO2排放系数：
式（3）中：NCVj表示第j种化石能源的平均低位发热值（MJ/t，MJ/万Nm3）。
根据公式（2）、（3）计算的各类化石能源CO2排放系数见表1所示。
2.3 碳排放因素分解方法
本文利用LMDI模型对扩展后的Kaya公式进行分析，以期确定排放因子、工业各行业的能源结构、工业各行业的能源效率、工业的产业结构、工业各行业的经济发展规模这几个因素对合肥市能源消费导致的CO2排放的贡献值。利用公式（4）将第T年的CO2排放量分解：
T-1年到T年合肥市工业CO2排放量的变化量可用公式（5）进行计算：
从T-1年到T年合肥市工业CO2排放量在排放因子效应、能源结构效应、能源效率效应、产业结构效应、经济发展效应作用下分别产生的变化量由公式（6）～（10）计算：
其中， IEFeffect、IESeffect、IEEeffect、IISeffect、IEDeffect分别表示排放因子、能源结构、能源效率、产业结构、经济发展造成的CO2排放增加量，即5个因素的效应值。由于本研究分析合肥市工业2000～2014年的碳排放数据，研究时间较短，因而假定碳排放系数不变，即IEFeffect=0。
3 合肥市工业能源消费碳排放的时间序列分析
3.1 工业能源消费的CO2排放量及工业生产值变化时间序列分析
合肥市工业生产值、工业能源消费量及工业CO2排放量均呈现增长现象由图1可见。2001～2014年合肥市工业增加值年均增长率达22.40%，高于安徽省同期水平（18.72%）。工业经济的快速发展导致了能源消费、CO2排放量的持续增长。“十五”期间，合肥市工业能源消费、CO2排放量年均分别增长24.67%、25.06%，远高于工业增加值年均增速（19.22%）。这跟中国在此期间偏离2020年能源战略目标，依靠高能耗支撑工业经济的发展有关；随着“十一五”期间节能减排及合肥市“工业立市”战略的实施，工业经济以年均27.53%高速发展，工业能源消费、CO2排放量降至10.94%、8.40%。进入“十二五”以来，合肥市工业生产值的增长率在2011年达到顶峰（39.12%）后维持在13%左右，而能源消费、CO2排放量增长率也由2011年的64.71%、57.89%降至2014年的-3.79%、-1.31%。
3.2 工业能源消费的结构变化时间序列分析
合肥市2000～2014年能源消费的结构变化如图2所示 。由图2可知，化石能源的平均比重达到了85.71 %，煤炭以83.66 %的比例在能源消费中占据着绝对地位，石油（1.93%）、天然气（0.12%）所占比重较小。此外，热力、电力、其他能源的平均比重分别为2.43%、11.51%、0.19%。从整体来看，能源消费结构变动不大（液化天然气、其他能源在2010年才进入合肥市工业能源结构中）。在化石能源消费引起的CO2排放中，合肥市平均煤炭CO2排放量占CO2总排放量的98.33%，石油、天然气CO2排放量分别占1.50%、0.17%。煤炭CO2排放量明显偏高，其原因可能有以下两点。①与合肥市工业的产业结构相关，合肥市工业以电力、化工、冶金等重工业为主，对煤炭的需求量极大；②安徽省“富煤、贫油、少气”的资源禀赋特点决定了合肥市工业能源消费结构中煤炭所占据的主导地位。
3.3 工业能源消费的能源强度变化时间序列分析
由2000～2014年合肥市能源消费、CO2排放量及工业经济发展的变化趋势可看出，以工业能源消费年均增长17.38%的代价换取了工业经济年均增长22.40%的快速发展，并由此带来了CO2排放量以年均16.35%的速度增长。合肥市2000～2014年单位工业GDP能源强度、单位工业GDP碳排放强度计算结果如图3，可以看出：自2002年起，能源强度、碳强度整体呈现下降趋势，仅在2011年有所反弹，实现小幅攀升态势。2014年与2000年相比，能源强度下降幅度达到61.05%，碳排放强度下降幅度则达到55.10%。其中，两项指标在“十五”期间初期呈现大幅攀升趋势，并在“十一五期间”实现逐年下降，这说明在此期间合肥市工业节能减排工作效果显著。同时，仅2001年、2002年、2004年、2011年的能源弹性系数和CO2排放对工业GDP弹性系数大于1，能源消耗、CO2排放增幅高于工业GDP增幅，呈现 “粗放增长”的状态。值得关注的是，合肥市自2000年加速工业化以来，能源弹性系数仅为0.92，低于日本同期水平（1.21）[13]，这说明合肥市工业对能源的利用率相对较高。
何建坤等[14]认为，GDP的增长率小于碳排放强度的下降率时才能实现CO2的绝对减排。合肥市仅2012年二氧化碳排放强度的下降率（18.94 %）大于当年工业GDP增长率（16.25%），实现了CO2的绝对减排。因此，合肥市应进一步提高能源利用效率，调整能源结构，以期进一步降低能源强度、碳排放强度。
4 合肥市工业能源消费碳排放影响因素分析
利用LMDI模型，根据公式（6）～（10）对合肥市工业2000～2014年的工业能源消费的CO2排放增量进行分解，计算出能源结构效应（IESeffect）、能源效率效应（IEEeffect）、产业结构效应（IISeffect）、经济发展效应（IEDeffect），得到各分解因素的作用效果见表2所列。各因素对合肥市工业能源消费的CO2排放的累积增量见图4。根据表2、图4可知，2000～2014年，合肥市工业能源消费CO2排放总量增加了2183.62 万t。其中，经济发展效应导致CO2排放总量增加了3734.59 万t，能源结构效应、能源效率效应、产业结构效应分别导致CO2的排放量减少151.06 万t、1251.34万t、148.57万t。其中电力热力的生产和供应业、非金属矿物制品业、黑色金属冶炼及压延加工业、化学原料及化学制品制造业是合肥市工业主要CO2排放增加行业，共增加了2241.15万tCO2排放（见表3）。
4.1 经济发展效应
经济发展对合肥市工业能源消费CO2排放的贡献度一直表现为较大的正增量效应。经济发展效应对CO2排放量的贡献率由2001年的22.89%上升至2014年的171.03%，累计平均贡献率为137.51%，证明了工业经济的快速发展是造成合肥市工业能源消费CO2排放增加的重要原因。2000～2014年，各行业经济发展对工业能源消费CO2排放的贡献均为正向，其中，合肥市电力热力的生产和供应业、非金属矿物制品业、黑色金属冶炼及压延加工业、化学原料及化学制品制造业四大能源密集型行业的工业经济发展对CO2排放变化的贡献值较其他行业大，共为3379.27万t，占经济发展效应的90.49%。在此期间，四大能源密集型行业的工业生产值增加了400.88亿元，可计算得合肥市能源密集型行业每增加1万元会导致8.43 t CO2排放，远高于同期其他行业的平均值（0.20 t CO2/万元）。因此，适当放缓重点能源密集型行业经济增长速度、促进非能源密集型行业的发展有利于减少合肥市工业CO2排放。
4.2 能源效率效应
落后的生产技术和过低的能源利用效率使得能源强度在2005年前是CO2排放量增长的促进因素。自2005年起，能源效率成为抑制CO2排放量增加的主要因素，合肥市工业能源效率效应对能源消费CO2排放的累积年平均贡献率达-42.57%，是抑制合肥市工业CO2排放量增加的主要原因。个别年份能源效率对合肥市工业能源消费CO2排放的贡献度表现为正增量效应，这是由于在此期间某个行业能源强度的反弹引起的。如2011年能源效率贡献值为405.53万t，其中非金属矿物制品业，电力热力的生产和供应业对CO2排放量的贡献值分别为154.98万t、333.90万t，原因在于这2个行业的能源强度由2010年的0.49和6.34t/万t上升至2011年的2.27和8.63 t/万t。
2000～2014年，黑色金属冶炼及压延加工业、电力热力的生产和供应业、化学原料及化学制品制造业能源效率因素对CO2排放变化的贡献值较大，共减少1077.55万tCO2排放，占能源效率贡献的86.11%，原因是这三大行业的平均能源强度由2000年的5.29 t/万t降至2014年的2.74t/万t，因此这三大行业的平均能源强度每下降1t/万t，CO2排放将减少422.57万t。尽管三大行业的能源强度在下降，但这三大行业在此期间的累积能耗达7890.50万t，占总能耗的77.09%，但其工业产值只占整个总产值的14.93%，因此，合肥市应该减排重点集中到此类高CO2排放行业，提高其能源使用效率。
4.3 产业结构效应
2000～2013年，合肥市行业结构效应整体呈现负增量效应。2014年行业结构对CO2排放增量的贡献转为正向，贡献值为395.02万t，高于当年经济发展的贡献值（271.97万t）。其中电力热力的生产和供应业对CO2排放的贡献值为395.25万t，主要是该行业的工业产值占总产值的比重由2013年的3.12%上升至2014年的5.34%。
电力热力的生产和供应业、黑色金属冶炼及压延加工业、化学原料及化学制品制造业这三大行业的增加值占工业增加值的比例由2000年的59.88%降至2014年的9.05%，对CO2排放的贡献值共为-141.23万t，占行业结构贡献的95.05%。这充分凸显了能源密集型产业结构调整对CO2排放量的影响。结合经济发展效应对CO2排放的影响分析，可知电力热力的生产和供应业、化学原料及化学制品制造业、黑色金属冶炼及压延加工业这三大行业的经济发展对CO2排放贡献量很大，但是通过调整产业结构、降低其工业产出比重能在一定程度上抵消经济发展效应所导致的CO2排放量增加。2000～2014年这三个行业的产业结构效应抵消了4.45%的经济发展效应。合肥市应进一步降低能源密集型行业的规模，积极扶持电子计算机等技术密集型产业的发展，使之成为拉动经济增长的强劲动力，以期减少CO2排放量。
4.4 能源结构效应
在2000～2014年间，能源结构变动对CO2排放变动的总体影响较小，平均年贡献率仅为-1.48%，这主要是由于合肥市工业能源结构无显著变化，具有高碳排放系数的煤炭在工业能源消费中一直占据着主导地位。大多数行业中非化石能源比例的提高对减少CO2排放起促进作用。但非金属矿物制品能源结构变动则使CO2排放量增加了17.60万t，这主要源于该行业煤炭消费比重分别由2000年的69.67%上升至2014年的79.85%。合肥市工业煤炭消费比例较高，存在着下调空间。由于安徽省油气资源相对匮乏，调高各行业特别是能源密集型行业其他能源的消费比例，降低煤炭消费份额，有利于抑制CO2排放增长。
5 结论和政策建议
5.1 结论
（1）2000～2014年间，合肥市工业能源消费以年均增长17.38%的代价换取了工业经济年均增长22.40%的快速发展，并由此带来了CO2排放量以年均16.35%的速度增长。与此同时，能源强度、碳强度分别由2000年的1.24 t/万t、2.91 t/万元降至2014年的0.55 t/万t、1.13 t/万元，下降幅度分别达到55.10%、61.05%，由此可见合肥市工业节能减排工作效果显著。从合肥市工业能源消费结构来看，煤炭以83.66 %的比例在能源消费中占据着绝对地位，石油、天然气所占比重较小。在化石能源消费引起的CO2排放中，合肥市平均煤炭CO2排放量占总CO2排放量的98.33%，石油、天然气CO2排放量分别占1.50%、0.17%。煤炭CO2排放量明显偏高，是未来合肥市工业CO2减排的重点。
（2）经济发展是促进合肥市工业CO2排放量持续增长的主要原因，能源效率、产业结构、能源结构的变动都不同程度地抑制了CO2排放量增加。通过对工业行业进一步分解分析表现，电力热力的生产和供应业、黑色金属冶炼及压延加工业、化学原料及化学制品制造业、非金属矿物制品业等四大能源密集型行业的经济发展、能源效率等因素严重影响着工业能源消费CO2排放量的变化。其中这四大能源密集型行业每增加1万元产值会导致8.43 t CO2排放，远高于同期其他行业的平均值（0.20 t CO2/万元）；黑色金属冶炼及压延加工业、电力热力的生产和供应业、化学原料及化学制品制造业这三大行业的平均能源强度每下降1 t/万t，CO2排放将减少422.57万t；电力热力的生产和供应业的工业产值占总产值的比重每增加1%，会引起178.04万t CO2排放；非金属矿物制品行业煤炭比重每上升1%，会增加1.73万tCO2排放。
5.2 政策建议
根据对合肥市工业碳排放特征及碳排放影响因素研究，本文从以下几个方面提出减排的政策建议。
（1）合肥工业化刚进入中期阶段，工业经济将继续保持快速发展。构建低碳经济模式，发展低消耗、低排放、低污染为特征的低碳工业，实现工业经济和环境的协调发展。
（2）作为国家首批创新型试点城市，合肥市应进一步强化科技创新和进步，引进整体煤气化循环发电技术等先进节能技术。同时，协调以市场为导向的产学研创新体系，加快节能技术成果的应用和转化。
（3）合肥市应逐步完善环境准入条件，建立落后产能退出机制，加快淘汰落后技术、产能和装备，降低能源密集型行业的规模。同时，结合合肥市工业发展现状，大力扶持高新技术产业发展，特别是新能源汽车、集成电路等战略性新兴产业的发展。
（4）合肥市油气资源相对贫乏，煤炭在合肥市工业能源结构中占据着绝对地位。要想改变以煤炭为主的能源消费结构，应加快推进核能、风能、水能等新能源的开发和利用，提高非化石能源的使用比例，全面构建低碳能源体系。
参考文献：
[1]苏 伟. 中华人民共和国气候变化第二次国家信息通报[M]. 北京：中国经济出版社， 2013.
[2]张 颖. 能源消耗、二氧化碳排放与中国工业可持续发展的脱钩分布研究[J]. 开发研究， 2013（1）：104～108.
[3]潘佳佳， 李廉水. 中国工业二氧化碳排放的影响因素分析[J]. 环境科学与技术， 2011， 34（4）：86～92.
[4]IPCC. Climate Change2014：Synthesis RePort[R].Summary for Policy makers，2014.
[5]Diakoulaki D， Mandaraka M. Decomposition Analysis for Assessing the Progress in Decoupling Industrial Growth from CO2 Emissions in the EU Manufacturing Sector [J]. Energy Economics，2007，29（4）：636 -664.
[6]合肥市统计局.合肥市统计统计年鉴：2000～2014[M].合肥：合肥市统计局，2015.
[7]国家统计局.中国能源统计年鉴[M].北京：中国统计局，2013.
[8]Ang B W. Decomposition analysis for policymaking in energy：： which is the preferred method[J]. Energy Policy， 2004， 32（9）：1131～1139.
[9]宋德勇， 卢忠宝. 中国碳排放影响因素分解及其周期性波动研究[J]. 中国人口・资源与环境， 2009， 19（3）：18～24.
[10]Wang Y， Zhu Q， Geng Y. Trajectory and driving factors for GHG emissions in the Chinese cement industry[J]. Journal of Cleaner Production， 2013， 53（16）：252～260.
[11]Xu S C， He Z X， Long R Y. Factors that influence carbon emissions due to energy consumption in China： Decomposition analysis using LMDI[J]. Applied Energy， 2014， 127（6）：182～193.
[12]王 媛， 贾皎皎， 赵鹏，等. LMDI方法分析结构效应对天津市碳排放的影响及对策[J]. 天津大学学报（社会科学版）， 2014（6）：509～514.
