2. 中国科学院区域可持续发展分析与模拟重点实验室, 北京 100101;
3. 中国科学院大学资源与环境学院, 北京 100049;
4. 中国科学院遥感与数字地球研究所, 北京 100094;
5. 北京林业大学省部共建森林培育与保护教育部重点实验室, 北京 100083
2. Key Laboratory of Regional Sustainable Development Analysis and Simulation of CAS, Beijing 100101, China;
3. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China;
4. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China;
5. Key Laboratory of Silviculture and Conservation of Ministry of Education, Beijing Forestry University, Beijing 100083, China
随着全球变暖的加剧,碳排放引起越来越多的关注,应对气候变化成为全球共同面临的重大挑战[1]。处于经济快速发展的中国,随着城市化和工业化进程的不断推进,经济增长与能源环境之间的矛盾日益突出[2]。2006年中国碳排放超越美国,成为世界最大的碳排放国家,在应对国际社会减排和全球气候变暖问题上面临着巨大压力[3-6]。2009年哥本哈根全球气候大会上,中国向世界承诺到2020年碳排放强度较2005年下降40%~45%,这使得中国推进低碳发展的任务更加紧迫[7]。然而,中国这样一个体量巨大的发展中国家,区域差异的影响不容忽视。北京、上海等直辖市和广东、山东、浙江、江苏等东部沿海发达地区省份的经济发展水平已经接近甚至超过西方的一些发达国家,在若干领域已经实现了能源集约化的发展和能源利用效率的提升;而西部地区的新疆、内蒙古、甘肃、陕西等省份经济发展相对落后,能源粗放利用的现象非常明显,能源利用的效率较低[8]。中国不同区域的经济发展水平、产业结构、技术水平对碳排放影响的差异值得关注。
碳排放驱动机制的研究很多,主要集中在城市化、人口、经济发展等方面。其中城市化对碳排放的影响争议较大,一些学者认为快速的城市化增加能源的需求,从而引发更多的碳排放[9-14],而另一部分研究者认为城市化有利于提升能源利用的效率从而降低碳排放[15-17]。人口规模对碳排放的影响也是重要因素之一[18-19],Jorgenson和Clark[20]指出人口规模是碳排放影响最大的因素,随着人口的不断增长,将会消耗更多的资源进而导致排放的增加[21-24],而大多数学者认为碳排放增长主要是由于经济增长所致而非人口的增加[5, 25-27]。其中产业结构的变动对碳排放强度的变化有着根本性的影响[28-29],国民经济发展中若高耗能产业占据较大比重并且上升较快,将导致大量的能源需求进而增加排放量。因此产业结构的不合理是制约区域低碳经济发展的主要瓶颈[30],而产业结构的优化对碳排放具有明显的促进作用[31-33]。考虑到空间的异质性,经济发展对不同区域碳排放的影响具有空间差异性[34],其他影响因素亦是如此[3, 35-38]。地区产业体系不同,其对环境的影响不同,通过其规模、结构的不同和技术水平的差异,对地区碳排放产生影响。以往的研究往往关注经济增长与能源碳排放的关系或者从碳排放的驱动因素角度,而对于引起经济增长与能源碳排放耦合关系及其驱动因素的研究相对较少。
基于此,为了更为清晰地揭示中国分省经济增长与环境质量之间的耦合关系,辨析中国分省经济发展是绿色的还是褐色的?其时空演化格局如何?本文以省级为基本研究单元,以Grossman和Krueger[39]提出的3大影响环境污染的主要因素(技术水平、经济结构、经济规模)为理论分析基础,从规模、结构和技术3个方面,对中国分省碳排放变化的驱动因素进行机理性分析。通过脱钩指数和LMDI因素分解法的结合,更好地阐述经济增长与碳排放的定量耦合关系,以及经济规模、产业结构和技术水平等不同因素对碳排放的贡献率,进而建立中国各省在经济转型过程中与碳排放的定量关系。
1 数据来源与研究方法 1.1 脱钩指数脱钩,指具有相应关系的两个或多个物理量之间的相互关系不再存在。Vehmas等[40]通过计算环境污染排放与经济产值的弹性系数,构建“脱钩”与“复脱钩”的模型。计算公式如下
$ {D_{C, Y}} = \frac{{\Delta {C^\prime }}}{{\Delta {Y^\prime }}} = \frac{{\Delta C/C}}{{\Delta Y/Y}}, $ | (1) |
式中:DC, Y是碳排放相对于经济产值的弹性系数,即GDP每变动一个百分点所导致的碳排放规模的变化;ΔC′为碳排放规模变化速度,指评价期间,碳排放规模的变化量(ΔC)与初期碳排放规模(C)的比值;ΔY′为经济产值的变化速度,是评价期间经济产值的变化量(ΔY)与初期经济产值(Y)的比值,经济产值以1990年不变价格的当年实际GDP表示。
依据Tapio[41]对脱钩指数的阐述,将经济增长与污染物排放之间的耦合关系主要划分为两大类,即脱钩与负脱钩。脱钩意味着经济增速与污染物排放增速不同步,也就意味着,经济的增长不会导致污染物排放的变化;而负脱钩则意味着二者呈一种关联状态,随着经济的增长,污染物的排放也会相应变化。具体地,根据经济增长与污染排放的变化趋势,形成如下6种耦合模式:1)污染物的排放呈负增长,而经济产值却呈现正增长,DC, Y值为负时,二者为绝对脱钩状态,即经济的增长不会导致污染物排放的增加;2)在经济增长与污染物同步正增长的前提下,污染物排放增长速度低于经济增长速度进而导致DC, Y值在0~1区间时,二者呈相对脱钩状态;3)二者同步正增长,而污染物排放增长速度高于经济增长速度,导致DC, Y值大于1时,二者呈扩张性负脱钩状态;4)当污染物的增长速度与经济的增长速度皆为负,且污染物排放规模的递减速度大于经济增长的递减速度,导致DC, Y处于0~1区间,呈相对负脱钩状态;5)在污染物与经济增长速度皆递减的前提下,污染物排放规模的递减速度低于经济增长的递减速度时,DC, Y的值大于1,则二者呈衰退型脱钩状态;6)当污染物的排放呈正向增长,而经济产值的增长速度递减时,二者呈绝对负脱钩状态(表 1)。
脱钩指数分解模型适用于描述经济增长和污染变化趋势的同步关系[42],而更为深入地对经济发展与环境污染之间的直接作用关系的分析往往需要进一步采用分解分析的方法。基于此,在Kaya恒等式的基础上构建经济规模、经济结构和碳排放之间的物质联系,运用LMDI因素分解的方法对经济规模与碳排放的变化之间的脱钩指数进行分解:
$ C = Y \times \sum\limits_i {\frac{{{C_i}}}{Y}} = Y \times \sum\limits_i {\frac{{{C_i}}}{{{Y_i}}}} \times \frac{{{Y_i}}}{Y}, $ | (2) |
式中:C为碳排放量,Y为经济规模,Ci为第i产业的污染排放量,Yi为第i产业的产值。碳排放总规模的变化受经济规模(Y)、碳排放强度
$ \begin{array}{l} {\rm{\Delta }}C = {C_t} - {C_0}\\ = \mathop \sum \limits_i Y_i^t \times CI_i^t \times IS_i^t - \mathop \sum \limits_i Y_i^0 \times CI_i^0 \times IS_i^0\\ = {\rm{\Delta }}{C_Y} + {\rm{\Delta }}{C_{\rm{G}}} + {\rm{\Delta }}{C_{{\rm{IS}}}}. \end{array} $ | (3) |
式中:ΔCY为经济规模因素;Ct是评价期末t时的碳排放量;C0是评价初期的碳排放量;ΔCCI为单位产值的碳排放,即技术因素;ΔCIS为经济结构因素,运用LMDI进行分解分析。Ang[43]研究表明该方法可以将冗余项完全分解,从而使分解更具有说服力。
$ \Delta {C_Y} = \frac{{{C_t} - {C_0}}}{{\ln {C_t} - \ln {C_0}}} \times \ln \frac{{{Y_t}}}{{{Y_0}}}, $ | (4) |
$ \Delta {C_{{\rm{Cl}}}} = \frac{{{{\rm{C}}_t} - {C_0}}}{{\ln {C_t} - \ln {C_0}}} \times \ln \frac{{C{I_t}}}{{C{I_0}}}, $ | (5) |
$ \Delta {C_{{\rm{IS}}}} = \frac{{{{\rm{C}}_t} - {C_0}}}{{\ln {C_t} - \ln {C_0}}} \times \ln \frac{{I{S_t}}}{{I{S_0}}}. $ | (6) |
式中:Yt是评价期末t时期的经济产值,Y0是评价初期的经济产值;CIt是评价期末t时期的单位产值碳排放量,CI0是评价初期的单位产值的碳排放量;ISt是评价期末t时期的第二产业在总经济产值的比重,IS0是评价初期的第二产业在总经济产值的比重。
1.3 数据来源本文以1990—2014年中国29个省区为研究对象。由于缺乏数据,不包括中国的西藏、台湾、香港和澳门地区,研究所需的碳排放数据来源于能源经济数据平台(http://www.inems.org/);其余数据来自历年《中国能源统计年鉴》[44]、《中国统计年鉴》[45]和各省的统计年鉴等。
2 结果分析 2.1 经济增长的空间格局及演化1990—2005年,东北地区的第二产业比重相对较高(图 1(a)、1(b)、1(c)),总体均值水平不断上升,而东北地区辽宁第二产业比重依次高于黑龙江、吉林。东部地区的第二产业比重略低于东北地区,除北京、天津、上海外,其余地区第二产业占比均逐年增加,在1990年的东部地区中,上海的第二产业占比最高,达64.7%;到2005年,江苏成为东部地区中第二产业比重最高的地区,达56.6%。东部地区第三产业比重总体相对较高,均呈现逐年增加趋势,第一产业占比相对较低,且总体均值水平在不断减少。西部地区第二产业比重相对落后于东部地区,总体均值水平由1990年的35.5%上升至44.0%,呈逐年增加趋势;而其第三产业比重总体均值水平由1990年的31.7%增加至2005年的34.3%;相对其他产业,西部地区的第一产业占比相对较高,但西部各地区的第一产业比重呈现逐年下降。中部地区的第二产业比重的平均水平相对高于西部地区,但低于东部平均水平,总体均值水平呈逐年增加趋势,而各地区的第二产业比重呈波动增加。
Download:
|
|
2005—2014年期间,中国各地区的第二产业占比总体均值水平在2010年上升后出现下滑(图 1(d)、1(e)、1(f))。尤其是东北地区,2010年第二产业比重平均水平相较2005年出现增长后,由于受经济下行影响,东北普遍存在着产能过剩、资源城市衰退等问题,第二产业总体均值水平开始下降,由2010年51.5%的平均水平下降至46.6%,除吉林外,辽宁、黑龙江等地第二产业占比均出现不同程度的大幅下降。东部地区从2005年开始,第二产业比重的均值水平开始下滑,由2005年的47.6%下降至42.3%,第三产业开始迅猛增加,由2005年的42.8%增加至2014年的50.8%,几乎占据产业的半壁江山,尤其是北京,第三产业由2005年的69.9%上升至2014年的77.9%,上海也由2005年的47.4%上升至2014年的64.8%,东部地区整体呈现第二产业逐渐减低,第三产业不断上升的局面。西部地区的第二产业占比总体均值水平在2010年开始超越东部地区,总体呈现由2005—2010年的上升趋势到2010—2014年的下降趋势,但下降趋势并不明显。中部地区第二产业比重总体均值水平相对高于西部地区,2005年和东部相差不大,2010年开始超越东部地区,甚至赶超东北地区达到52.2%,2014年出现下滑,第二产业比重总体均值水平达到49.9%,仍高于东部、东北地区第二产业比重平均水平。
可以看出,1990—2005年期间,地区产业发展差异的不断扩大,主要是因为第二产业的产值份额居高不下,加上非农产业在空间的分布再次向东部沿海地区集聚所致。这也间接说明,东部沿海地区制造业中心地位正在日趋形成和加强,而西部地区日益沦为农业和以原材料为主的重工业等初级产品供给的落后地区。期间从东、中、西3大地区经济发展可以看出,3大地区各自形成“富”与“穷”的俱乐部,地区内部的差距整体出现下降,而东部沿海地区与中西部地区的差距却不断加大。2005年以后,国内区域间的产业转移持续推进,中西部地区的经济增长明显,区域间的产业合作转移更为频繁;东北和中西部地区由于日益优化的发展环境,不断加快承接东部沿海地区的产业转移,逐渐呈现出规模明显的扩大、层次显著的提高、方式不断的创新等良好的发展态势。从西部地区一些典型省份来看,2009—2013年四川累计引进境内省外资金3.3万亿元,投资涵盖能源电力、装备制造、电子信息、油气化工、交通物流、建材、环保、通讯、农业及食品加工等众多领域,承接产业转移取得明显成效,逐步形成以电子信息零部件、汽车零部件、精细化工、纺织服装和消费品制造等为主导的产业集群;而陕西省5年内累计引进境内省外资金达到1.44万亿元,形成了以专业产业园区为主要形式、承接产业链或产业集群的整体转移。期间,中西部地区利用外省资金中,一半以上均来自东部发达地区[46]。
国内区域产业转移逐渐缩小了中国的东北、东部、中部、西部4大区域之间的差异。具体地,东部地区工业增加值在全国的比重在2004年达到峰值,为60.36%,但随着产业转移的持续推进和中西部地区经济的加快发展,其工业增加值占比在2004年后开始逐步下滑,截至2013年降至50.2%。而东北地区的工业增加值比重相对较为平稳,2009年相比2004年,仅仅减少0.09个百分点,为8.59%,2013年开始略微上升至8.83%。中、西部地区的产业比重则实现较大的提升,其比重在2009年相较2004年,分别上升2.6、2.8个百分点,达到19.48%、16.88%,2013年比重进一步上升,分别达到21.64%和19.33%。
2.2 中国碳排放的空间格局及演化从各省份的碳排放量(图 2)来看,所有省份的碳排放量均呈现明显增加的趋势。1990年碳排放量最高的5个省份分别是辽宁(54.20百万t),山东(44.25百万t)、河北(43.61百万t)、四川(39.36百万t)和江苏(38.70百万t),这些省份均是20世纪90年代中国人口较多、重工业比较集中的省份。海南、青海、宁夏、福建和广西是中国碳排放比较低的省份,碳排放量低于10百万t。在地理分布上,碳排放较多的省份主要集中在北部沿海经济区和西南经济区。1995和2000年这些省份及周边省份都有明显的增加(图 2(b)、2(c)),2005年山东(157.85百万t)、河北(126.52百万t)和江苏(112.80百万t)均超过100百万t,并在北部沿海经济区形成明显的碳排放高值区域。2010年有9个省份碳排放超过100百万t,且20个省份的碳排放量超过50百万t。相比2005年所有省市的碳排放均呈现增加的特征,一半以上省市的碳排放量增加50%以上。而相比2000年,25个省市的碳排放量翻了2倍,其中9个省市的碳排放增加量翻了3倍以上。2014年大部分省份碳排放的总量依然在增加,但是增加的幅度相对较小,其中云南、北京和上海的碳排放量呈现出减少的特征。
Download:
|
|
运用公式(1),计算1990—2014年中国不同省份经济增长与碳排放的脱钩指数。由于近年来中国的经济规模呈现持续增长趋势,因此根据表 1的分类,1990—2014年,中国的29个省份可以划分为绝对脱钩、相对脱钩和扩张性负脱钩3种类型。
1990—1995年,中国社会主义市场经济体制改革目标确立并提出“两个根本性改变”,中国经济体制从传统的计划经济体制向社会主义市场经济体制改变,经济增长方式也从粗放型向集约型转变,各省的经济发展不同,经济增长与碳排放的关系也具有区域差异性。期间,中国大部分省份处于相对脱钩状态(图 3(a))。其中,29个省份中有3个省份处于扩张型负脱钩,分别为贵州、湖北、安徽,其碳排放的增速高于经济增长;仅有1个省份处于绝对脱钩状态,为黑龙江,其经济产值的增长并没有拉动碳排放的增加;其余25个省份均处于相对脱钩状态。可见,此阶段中国的经济增长并没有带动相同幅度碳排放增长,碳排放增长速度小于经济增长速度。
Download:
|
|
1996—2000年,中国29个省份中扩张型负脱钩省份仍为3个,但已经转变为宁夏、云南、海南(图 3(b));绝对脱钩省份在增加,分别为山西、陕西、四川、湖南、江西、山东、吉林7个省份,这些省份绝大多数是资源型大省,而在1996年国家颁布《国务院关于加强环境保护若干问题的决定》,明令取缔关停了一批技术落后、污染严重、效率低下的小企业,即“十五小”,加之1997年亚洲金融危机及其滞后效应,导致这些省份能源消费碳排放量的增长率大幅减缓,经济的增长并未带动这些省份碳排放的增加。
2001—2005年,国际经济形势好转,处于快速发展的中国,由于受扩大内需和增加投资等宏观调控政策的影响,大批高耗能、重复性的基础设施项目和工业项目集中上位,能源碳排放的增速超过同期经济的增长,造成碳排放强度在2005年到达峰值(1.93t/万元),而中国29个省份中扩张型负脱钩省份猛增至16个(图 3(c)),主要位于中国的边界地区,这些地区能源粗放利用的现象较为明显。绝对脱钩省份大幅缩减,降至1个,为黑龙江省;相对脱钩的省份发生大幅度减少,仅为12个。
2006—2010年,中国各省经济的增长与碳排放均呈现相对脱钩状态(图 3(d))。能源效率的提高是导致经济增长与碳排放弱脱钩的主要原因,但这并不能抵消经济发展对能源需求的增长幅度。此阶段,中国的经济经历了过山车,经济增长率由2006年的增长偏快转变为2007年的经济增长过热,创造了自1993年来经济增长率的第2次峰值,2008年虽遭遇全球经济危机有所回落,但2009年中国政府的4万亿投资,拉动内需,促进国内各地区的经济再次增长,使经济增长率开始回升(图 4)。经济的平稳增长加上各省逐步实施能源低碳化、经济绿色化战略,使得中国各省碳排放的增长速度放缓,低于各省经济的增长速度。
Download:
|
|
2011—2014年,中国经济增长与碳排放的脱钩状态发生变化,各地区实现绝对脱钩的省份数量增至11个,相对脱钩的省份达17个,扩张型负脱钩为1个。这种脱钩状态的分布主要源于自2011年以来,中国经济进入增速连续下滑的轨道,而上海、浙江、广州等沿海地区此阶段经济发展水平接近甚至赶超西方一些发达国家,已经实现能源的集约化发展和能源利用效率的提升,加上产业逐渐向中西部转移导致能源消费的碳排放增长速度不断下降;山东、河南、湖北、湖南等中部地区,以及吉林、内蒙古等资源型地区节能减排力度的加大以及资源转型,使得这些地区碳排放与经济增长呈绝对脱钩状态。其他地区,除新疆外,即使碳排放的增长速度不断增加,但是由于对节能减排力度的加大,使得碳排放的增长速度低于当地的经济增长速度。就此阶段中国分省经济增长与碳排放耦合关系的空间分布而言,呈现由沿海向内陆相对脱钩、绝对脱钩、扩张型负脱钩状态交替出现格局。具体地,由东南沿海到西北内陆,交替出现了上海—浙江的绝对脱钩带、江苏—安徽—江西—福建的相对脱钩带、山东—河南—湖北—湖南—广东的绝对脱钩带、黑龙江—辽宁—河北—山西—陕西—宁夏—甘肃—青海—四川—贵州—广西的相对脱钩带、吉林—内蒙古—北京—云南的绝对脱钩带、新疆的扩张型脱钩状态等半圈层结构的脱钩关系。
2.4 中国不同省份碳排放变化的影响因素1) 规模因素
1990—2014年,除1996—2000年湖南为负值外,规模因素对碳排放增长的贡献率皆为正值(图 5(a))。1990—2000年,除黑龙江、云南、湖南、青海、宁夏外,规模因素对碳排放增长的贡献率皆为增加趋势,陕西和吉林规模因素对碳排放增长贡献率增加最为明显,均在200%水平上;其次是北京、四川、江西,上海、山西、山东等地,均在100%水平之上;全国整体贡献率平均值由1990—1995年的59%上升至1995—2000年的79%。2001—2005年,规模因素对碳排放增长的贡献开始下降,但始终为正值,其中黑龙江规模效应的贡献率增加至100%水平之上,而全国规模效应均值为47%。2006—2010年规模效应的贡献率开始抬升,规模效应的全国平均水平为63%。2011—2014年规模效应的贡献率继续保持增长态势,中国29个省的规模效应平均水平上升至222%,其中绝大多数省份规模效应在100%水平之上,尤其是上海、黑龙江、湖北,规模因素的贡献率均达到200%。
Download:
|
|
2) 结构因素
由中国分省碳排放变化的结构贡献率可以看出,结构贡献率相对较低,结构贡献率的绝对值要低于规模因素贡献率,而大部分省份的结构因素对碳排放贡献率同时低于技术因素对碳排放的贡献率,结构因素对碳排放影响方向也各不一致(图 5(b))。
1990—1995年期间,结构因素整体对碳排放具有正向促进作用,但拉动作用较为微弱,平均贡献水平为6%。此期间的中国,绝大多数省份第二产业比重仍处于持续上升阶段,产业结构仍以发展重工业为主,因此能源的需求相对较大,促进了碳排放的增加。其中,结构因素对碳排放具有正向促进作用的省份达到21家,而广西结构因素对碳排放的正向贡献作用高于其他省份结构因素的作用,达到21%,其产业结构由1990年的26.4%上升至1995年的35.5%,第二产业比重提高9个百分点,第二产业比重增加幅度仅次于同时期的河南。期间,部分地区结构因素对当地碳排放具有抑制作用,如北京、天津、山西,吉林、辽宁、上海,安徽,湖北等8个省份的结构贡献率均为负值,其中,北京的第二产业产值比重出现大幅度下降,是29个省中第二产业比重下降最大的地区,由1990年的52.3%下降至42.7%,产业结构的优化促进当地的节能减排,对当地碳排放的降低贡献作用达到32%。
1996—2000年,中国各地区意识到产业结构调整的重要性,“退二进三”的结构调整意识初步在国内萌芽,期间结构因素对碳排放的贡献贡献率为负值的省份增加。除北京、天津、吉林、上海这4个地区结构因素对碳排放的贡献率仍为负外,山西、辽宁、安徽、湖北等4个地区结构因素对碳排放的贡献开始转正,此外,期间新增河南、广东、广西、四川、贵州、云南、甘肃等7个地区结构因素对碳排放贡献为负。其中,北京产业结构对当地碳排放的作用仍然高于其他地区,产业结构中二产比重持续降低,由1996年的39.8%降至2000年的32.6%,而产业结构的优化对碳排放抑制作用相对上一阶段有所增加,贡献率达到92%。
2001—2005年期间,结构因素对碳排放促进作用的省份大量增加,仅有北京和辽宁两个地区结构因素仍然抑制碳排放的增加,其他地区结构因素对碳排放的贡献均为正,但数值较小,其中结构因素对碳排放贡献最大的地区为江西,达到22%。
2006—2010年期间,结构因素对碳排放贡献率为负值的省份出现增加,增至11个,相较上一阶段,除北京外,新增天津、河北、黑龙江、上海、江苏、浙江、山东、广东、海南、新疆等10个地区,而辽宁在这个阶段产业结构对碳排放的贡献转为正。在29个省区中,北京结构因素对当地碳排放的作用仍高于其他地区结构因素对碳排放的作用,抑制碳排放的贡献达到36%。
2011—2014年,结构因素对碳排放的贡献率出现集中转负现象,除福建、贵州外,其他地区的结构因素对碳排放的贡献均为负值。其中29个省区中,上海结构因素对当地碳排放的作用高于其他地区结构因素对当地碳排放的作用,贡献率达到-2078%,期间上海市的产业结构由2011年的41.3%降至2014年的34.7%,下降6.6个百分点。
3) 技术因素
技术进步对碳排放的作用随时间演进而各异(图 5(c))。1990—1995年,技术因素贡献率除黑龙江外,均为正值,尤其是北京、陕西、山西、安徽、湖北、江西、贵州、辽宁等省份,技术因素对碳排放的促进贡献相对较高,均超过40%的贡献水平。1996—2000年,技术因素对碳排放的贡献开始出现较大分异,山西、吉林、江西、山东、四川等省份技术因素对碳排放的贡献效率开始为负;北京、辽宁、黑龙江、江苏、河南、新疆等地,技术因素贡献率虽为正值,但相对较小,均在10%的贡献水平之下;湖南、云南、海南、宁夏较高,技术因素对碳排放贡献水平均在50%以上,其中湖南最高,达到449%。2001—2005年,技术因素贡献率整体提高,除黑龙江外,其余均为正效应,技术因素贡献率整体均在44%左右,福建、湖南、云南等3个地区的技术因素贡献率在60%之上。2006—2010年期间,技术因素贡献率整体呈现下滑趋势,全国平均贡献水平在37%左右。2011—2014年,技术效应对碳排放的贡献再次出现较大分异,技术效应对碳排放贡献率为负的省份明显增多,达到10个,技术效应对碳排放贡献为正的省份中,黑龙江、新疆的技术效应对碳排放促进作用较高。
2.5 地区主导因素解析地区碳排放的主导因素随着时间的不同而出现分异。1990—1995年,中国各地区整体呈现规模效应贡献率依次高于技术因素、产业结构贡献率(除贵州、安徽、湖北外),而技术因素的绝对值的贡献率又相对高于产业结构绝对值(除黑龙江、福建外)。1996—2000年,除海南、云南、宁夏、湖南地区主导因素为技术效应,其他地区碳排放主导效应仍是以规模效应为主,而其中北京、上海、四川、新疆的结构效应绝对值的贡献率要高于技术效应,其他地区技术效应的贡献率仍高于结构效应。2001—2005年,规模效应作为主导效应的省份开始大幅度减少,大多数地区如东北地区的吉林,东部地区的河北、江苏、浙江、福建、山东、海南,西部地区的内蒙古、广西、贵州、云南、新疆以及中部地区的江西、河南、湖南均是以技术效应为主导效应,对于这类地区,可以通过承接核心地区的产业转移或培育本地接续产业促进本地产业转型升级,同时通过节能减排,技术进步的减排效应加之结构转型,大大超过了规模增长带来的碳排放增长。期间,产业结构对碳排放影响的贡献率绝对值最小。2006—2010年,中国各地区再次以规模效应为主导效应,除北京产业结构效应相对高于技术效应,其他地区的技术效应贡献率绝对值高于产业结构效应贡献率绝对值。2011—2014年期间,中国各地区除新疆以技术效应为主导效应外,其他地区均以规模效应为主导效应;而东北地区、东部地区,除吉林、福建外,均是产业结构效应贡献率的绝对值高于技术效应;中部、西部地区,除山西、河南外,产业结构效应贡献率绝对值低于技术效应。
3 结论本文以中国29个省作为研究对象,通过运用脱钩指数对地区产业经济增长与碳排放变化间的耦合关系进行评价,并运用因素分解法,从规模增长、结构转型和技术进步3个维度对中国地区产业转型与碳排放变化间的关系进行解析。得出如下结论:
1) 1990—2014年中国的产业经济不断增长,碳排放也呈现增加趋势,碳排放强度却逐渐降低,整体呈现“绿色转型”态势。从空间格局看,碳排放高的地区分布在北部沿海以及西南经济区,这些地区也是中国人口较多、重工业比较集中的省份。
2) 运用脱钩指数对各地区经济产值与碳排放耦合关系进行测度发现,1990—2014年中国的29个省份主要处于绝对脱钩、相对脱钩和扩张性负脱钩3种状态。2000年以前,中国各地区以相对脱钩为主;2001—2005年扩张型脱钩的省份数量猛增,绝对脱钩省份的数量占据半壁江山;2006—2010年,中国各地区均呈现相对脱钩状态;2011—2014年期间,绝对性脱钩的省份数量增加,中国大多数省份仍以相对脱钩为主。
3) 在中国经济增长过程中,经济规模的增长推动着碳排放的增加;产业结构的优化、技术的进步对中国的节能减排具有一定的促进作用。不同时期,中国各地区碳排放的主导效应具有区域差异性,主导效应主要为规模效应和技术效应,结构效应的影响最小(个别省份除外,如北京)。1990—2000年,中国各地区均以规模效应为主导效应;2001—2005年,规模效应作为主导效应的省份开始大幅度减少,大多数地区以技术效应为主导;2006—2014年,中国大多数省份再次以规模效应为主导。
[1] |
Wang S, Fang C, Wang Y, et al. Quantifying the relationship between urban development intensity and carbon dioxide emissions using a panel data analysis[J]. Ecological Indicators, 2015, 49: 121-131. Doi:10.1016/j.ecolind.2014.10.004 |
[2] |
Lin B Q, Jiang Z J. Forecast of China's environmental Kuznets curve for CO2 emission and factors affecting China's CO2 emission[J]. Management World, 2009, 4: 27-36. |
[3] |
Liu Y, Yang Z, Wu W. Assessing the impact of population, income and technology on energy consumption and industrial pollutant emissions in China[J]. Applied Energy, 2015, 155(155): 904-917. |
[4] |
Liu Z, Guan D, Crawfordbrown D, et al. Energy policy:a low-carbon road map for China[J]. Nature, 2013, 500(7461): 143-145. Doi:10.1038/500143a |
[5] |
Li A, Zhang A, Zhou Y, et al. Decomposition analysis of factors affecting carbon dioxide emissions across provinces in China[J]. Journal of Cleaner Production, 2017, 141: 1428-1444. Doi:10.1016/j.jclepro.2016.09.206 |
[6] |
Zhang Y J, Hao J F, Song J. The CO2 emission efficiency, reduction potential and spatial clustering in China's industry:evidence from the regional level[J]. Applied Energy, 2016, 174: 213-223. Doi:10.1016/j.apenergy.2016.04.109 |
[7] |
Zhu B, Wang K, Chevallier J, et al. Can China achieve its carbon intensity target by 2020 while sustaining economic growth?[J]. Ecological Economics, 2015, 119: 209-216. Doi:10.1016/j.ecolecon.2015.08.015 |
[8] |
Yang Y, Liu Y. Study on China's energy efficiency and its spatio-temporal variation from 1990 to 2010 based on DEA-ESDA[J]. Journal of Natural Resources, 2014, 29(11): 1815-1825. |
[9] |
Cole M A, Neumayer E. Examining the impact of demographic factors on air pollution[J]. Population and Environment, 2004, 26(1): 5-21. Doi:10.1023/B:POEN.0000039950.85422.eb |
[10] |
York R. Demographic trends and energy consumption in European Union Nations, 1960-2025[J]. Social Science Research, 2007, 36(3): 855-872. |
[11] |
Braun M R, Altan H, Beck S B M. Using regression analysis to predict the future energy consumption of a supermarket in the UK[J]. Applied Energy, 2014, 130(5): 305-313. |
[12] |
Wang S, Fang C, Guan X, et al. Urbanisation, energy consumption, and carbon dioxide emissions in China:a panel data analysis of China's provinces[J]. Applied Energy, 2014, 136(C): 738-749. |
[13] |
Zhang C, Lin Y. Panel estimation for urbanization, energy consumption and CO2 emissions:a regional analysis in China[J]. Energy Policy, 2012, 49: 488-498. Doi:10.1016/j.enpol.2012.06.048 |
[14] |
Bai X, Shi P, Liu Y. Society:realizing China's urban dream[J]. Nature, 2014, 509(7499): 158-160. Doi:10.1038/509158a |
[15] |
Chen H, Jia B, Lau S S Y. Sustainable urban form for Chinese compact cities:challenges of a rapid urbanized economy[J]. Habitat International, 2008, 32(1): 28-40. Doi:10.1016/j.habitatint.2007.06.005 |
[16] |
Liddle B. Demographic dynamics and per capita environmental impact:using panel regressions and household decompositions to examine population and transport[J]. Population and Environment, 2004, 26(1): 23-39. Doi:10.1023/B:POEN.0000039951.37276.f3 |
[17] |
Newman P G, Kenworthy J R. Cities and automobile dependence:an international sourcebook[M]. Aldershot: Gower Technical Press, 1989: 352-354.
|
[18] |
Zhu Q, Peng X. The impacts of population change on carbon emissions in China during 1978-2008[J]. Environmental Impact Assessment Review, 2012, 36(5): 1-8. |
[19] |
Wang Z, Yin F, Zhang Y, et al. An empirical research on the influencing factors of regional CO2 emissions:evidence from Beijing city, China[J]. Applied Energy, 2012, 100: 277-284. Doi:10.1016/j.apenergy.2012.05.038 |
[20] |
Jorgenson A K, Clark B. Assessing the temporal stability of the population/environment relationship in comparative perspective:a cross-national panel study of carbon dioxide emissions, 1960-2005[J]. Population and Environment, 2010, 32(1): 27-41. Doi:10.1007/s11111-010-0117-x |
[21] |
Zhang C, Lin Y. Panel estimation for urbanization, energy consumption and CO2 emissions:a regional analysis in China[J]. Energy Policy, 2012, 49: 488-498. Doi:10.1016/j.enpol.2012.06.048 |
[22] |
Poumanyvong P, Kaneko S. Does urbanization lead to less energy use and lower CO2 emissions? A cross-country analysis[J]. Ecological Economics, 2010, 70(2): 434-444. |
[23] |
Wang Y, Zhao T. Impacts of energy-related CO2 emissions:evidence from under developed, developing and highly developed regions in China[J]. Ecological Indicators, 2015, 50: 186-195. Doi:10.1016/j.ecolind.2014.11.010 |
[24] |
Zhou Y, Liu Y, Wu W, et al. Effects of rural-urban development transformation on energy consumption and CO2 emissions:a regional analysis in China[J]. Renewable and Sustainable Energy Reviews, 2015, 52: 863-875. Doi:10.1016/j.rser.2015.07.158 |
[25] |
Li H, Mu H, Zhang M, et al. Analysis on influence factors of China's CO2 emissions based on Path-STIRPAT model[J]. Energy Policy, 2011, 39(11): 6906-6911. Doi:10.1016/j.enpol.2011.08.056 |
[26] |
Yang Z, Liu Y. Does population have a larger impact on carbon dioxide emissions than income? Evidence from a cross-regional panel analysis in China[J]. Applied Energy, 2016, 180(180): 800-809. |
[27] |
李国志, 李宗植. 中国二氧化碳排放的区域差异和影响因素研究[J]. 中国人口·资源与环境, 2010, 20(5): 22-27. Doi:10.3969/j.issn.1002-2104.2010.05.005 |
[28] |
仲伟周, 姜锋, 万晓丽. 我国产业结构变动对碳排放强度影响的实证研究[J]. 审计与经济研究, 2015(6): 88-96. Doi:10.3969/j.issn.1004-4833.2015.06.010 |
[29] |
霍金炜, 杨德刚, 汪菲, 等. 基于因果和岭回归的新疆人口结构与CO2排放关系分析[J]. 中国科学院大学学报, 2015, 32(3): 333-341. |
[30] |
李绍萍, 郝建芳, 王甲山. 东北地区碳排放与产业结构关系的实证研究:基于1995-2012年数据分析[J]. 中国石油大学学报(社会科学版), 2014(5): 19-24. |
[31] |
Wang P, Wu W, Zhu B, et al. Examining the impact factors of energy-related CO2 emissions using the STIRPAT model in Guangdong Province, China[J]. Applied Energy, 2013, 106(11): 65-71. |
[32] |
王少剑, 苏泳娴, 赵亚博. 中国城市能源消费碳排放的区域差异、空间溢出效应及影响因素[J]. 地理学报, 2018, 73(3): 414-428. |
[33] |
何艳秋, 戴小文. 中国碳排放国际转移的行业敏感性分析[J]. 中国科学院大学学报, 2016, 33(2): 187-194. |
[34] |
Liu Y, Yang Z, Wu W. Assessing the impact of population, income and technology on energy consumption and industrial pollutant emissions in China[J]. Applied Energy, 2015, 155(155): 904-917. |
[35] |
Zhang C, Tan Z. The relationships between population factors and China's carbon emissions:Does population aging matter?[J]. Renewable and Sustainable Energy Reviews, 2016, 65: 1018-1025. Doi:10.1016/j.rser.2016.06.083 |
[36] |
Alam M M, Murad M W, Noman A H M, et al. Relationships among carbon emissions, economic growth, energy consumption and population growth:testing environmental Kuznets curve hypothesis for Brazil, China, India and Indonesia[J]. Ecological Indicators, 2016, 70: 466-479. Doi:10.1016/j.ecolind.2016.06.043 |
[37] |
Wang Z, Zhang B, Liu T. Empirical analysis on the factors influencing national and regional carbon intensity in China[J]. Renewable and Sustainable Energy Reviews, 2016, 55: 34-42. Doi:10.1016/j.rser.2015.10.077 |
[38] |
Xu B, Lin B. How industrialization and urbanization process impacts on CO2 emissions in China:evidence from nonparametric additive regression models[J]. Energy Economics, 2015, 48: 188-202. Doi:10.1016/j.eneco.2015.01.005 |
[39] |
Grossman G M, Krueger A B. Economic growth and the environment[J]. The Quarterly Journal of Economics, 1995, 110(2): 353-377. |
[40] |
Vehmas J, Luukkanen J, Kalvooja J. Material flows and economic growth[R]. Finland (Turku): Turku School of Economies and Business Administration, 2003: 9-11.
|
[41] |
Tapio P. Towards a theory of decoupling:degrees of decoupling in the EU and the case of road traffic in Finland between 1970 and 2001[J]. Transport Policy, 2005, 12(2): 137-151. |
[42] |
马丽, 张博, 杨宇. 东北地区产业发展与工业SO2排放的时空耦合效应[J]. 地理科学, 2016, 36(9): 1310-1319. |
[43] |
Ang B W. Decomposition analysis for policymaking in energy:which is the preferred method?[J]. Energy Policy, 2004, 32(9): 1131-1139. Doi:10.1016/S0301-4215(03)00076-4 |
[44] |
国家统计局. 中国统计年鉴1991-2015[M]. 北京: 中国统计出版社, 1991-2015.
|
[45] |
国家统计局. 中国能源统计年鉴1991-2015[M]. 北京: 中国统计出版社, 1991-2015.
|
[46] |
工业和信息化部产业政策司.我国产业转移现状和特点分析[EB/OL]. (2015-02-28)[2018-11-13]. http://cyzy.miit.gov.cn/node/6281.
|