2016, Vol. 33
随着全球气温的不断攀升，CO2作为一种重要的温室气体，引起了世界人们的高度关注.自改革开放以来，我国经济得到了迅速发展，但不容忽视的是：我国的CO2排放量也逐年递增.如何有效地降低CO2排放量成为各国共同的目标，因此，为实现这一目标有必要且必须弄清楚影响CO2排放量的各种因素.目前对CO2排放量影响因素的研究文献也不少，如：杜立民[1]基于省级动态和静态面板数据研究我国CO2排放量的影响因素，得出城市化水平等因素对CO2排放量有显著影响；刘宇等[2]利用投入产出法测算CO2排放量并对其影响因素进行分析；Wang Z H[3]对北京市的CO2排放量影响因素进行实证研究.现阶段对CO2排放量的影响因素的分析或者是定性分析，或者较多地依靠某一种数学模型进行影响因素重要程度排序，因此无法对重要程度的准确性进行分析与评价[4-8].最为关键的是，目前对CO2排放量的研究与分析仅仅是从某一角度进行的分析与评价，然而，CO2排放量的研究除了可以对CO2排放量进行预测外，还可以同时对CO2排放量的影响因素进行分析，而且这种影响因素的分析既可以对CO2排放量的直接影响因素进行分析，如石油、煤炭以及天然气等直接排放CO2的能源的消费量进行分析，还可以对CO2的间接影响因素进行分析，如城乡人口结构、3大产业的GDP值以及各大产业的社会固定投资总额等.只有通过全方面多层面地对CO2的排放量进行分析，才有可能深刻剖析对CO2排放的因果关系，才有可能为国家制定能源产业战略提供参考，为国家制定减排目标和实施计划提出切实、有效的措施和方案，进而促进国民经济又快又好地发展.
1 CO2排放影响因素分析方法CO2排放量的影响因素是多方面，也是多层次的，除直接受到各种能源消费的影响外，人口结构、产业结构以及各行业固定资产投资也会间接地对CO2的排放量产生影响.因此对CO2排放影响因素进行重要性及影响大小分析，也可以从直接影响因素与间接影响因素两方面进行分析.本文对因素重要性分析方法采用变异系数法，而因素影响大小分析方法则可使用关联方法(灰色关联法)及层次分析法进行分析，下面先分别介绍这3种方法.
1.1 变异系数法变异系数法[9](Coefficient of Variation Method)是依靠指标内在的信息，根据公式测算从而得出指标权重，完全摆脱了人为因素的干扰，因此属于客观赋权方法.该方法的特征为：对于一个评价指标体系，若指标取值差异越大，则表明被评价单位的差距也越大.
变异系数法是依据各影响因素作用程度的不同而确立权重，其测算等式为
| $ {\mathit{\boldsymbol{V}}_i}{\rm{ = }}\frac{{{\mathit{\boldsymbol{\sigma }}_i}}}{{{{\overline x }_i}}}, $ | (1) |
式中, Vi为第i项指标的变异系数(标准差系数)；σi为第i项指标的标准差；xi是第i项指标的平均数.
各项指标的权重Wi为
| $ {\mathit{\boldsymbol{W}}_i} = \frac{{{\mathit{\boldsymbol{V}}_i}}}{{\sum\limits_{i = 1}^n {{\mathit{\boldsymbol{V}}_i}} }}. $ | (2) |
式(1)、(2) 中，i为CO2排放量的影响指标个数.
1.2 层次分析法层次分析法[10-12]一般可用于计算指标权重，是常见的权重计算法之一.该方法通常通过建立递阶层次结构，然后对指标进行两两比较、判断，最后测算出指标权重.该方法的理论基础是相对重要程度相关等级计算方法.根据相对重要度推算出判断矩阵A，设A中的每行数据的几何平均数为wi, 记W=[w1, w2, …, wn].
对W进行归一化处理，即得到权重分配向量W*：
| $ {\mathit{\boldsymbol{W}}^*} = \left[{{\mathit{\boldsymbol{w}}_1}/\sum\limits_{i = 1}^n {{\mathit{\boldsymbol{w}}_i}, {\mathit{\boldsymbol{w}}_2}/} \sum\limits_{i = 1}^n {{\mathit{\boldsymbol{w}}_i}, \cdots, {\mathit{\boldsymbol{w}}_n}} /\sum\limits_{i = 1}^n {{\mathit{\boldsymbol{w}}_i}} } \right]. $ |
针对构造出的权重矩阵进行一致性检验(随机一致性比率CR＜0.1，才能被接受，这时，权数被认为分配合理).
1.3 灰色关联分析灰色关联方法通常有灰色绝对关联度、灰色相对关联度、灰色综合关联度、灰色斜率关联度以及灰色点关联度等[13-15].对CO2排放量及其影响因素的关系而言，主要是为了找出影响CO2排放量主要因素，因此本文采用前3个关联度方法进行分析.相对于以往的只考虑一种灰色关联分析方法，这3个关联分析方法结合运用使得分析更加全面、更加充分.
以历年的我国CO2排放量做为被关联数据序列Xi，以同长度的CO2排放量的影响因素数据序列作为关联序列Xj.其灰色关联分析如下：
(1) 灰色绝对关联度(ε).
利用始点零化算子D对数据序列Xi =(xi (1)，xi (2)，…，xi (3))与Xj =(xj (1)，xj (2)，…，xj (3))进行始点零化像处理，以Xj为例.
即
| $ x_i^0 = {x_i}\left( k \right)d = {x_i}\left( k \right)-{x_i}\left( 1 \right), k = 1, 2, \cdots, n. $ | (3) |
对Xi与Xj始点零化像处理后的数据序列记为Xi0与Xj0.
对数据序列xi0与xj0计算si、sj：
| $ \ \ \ \ \ \ \ \ {\mathit{\boldsymbol{s}}_i} = \int_1^n {x_i^0{\rm{d}}t = \int_1^n {\left( {{x_i}\left( k \right)-{x_i}\left( 1 \right)} \right){\rm{d}}t, k = 1, 2, } } \\ \cdots ,n. $ | (4) |
Xi与Xj的灰色绝对关联度εij的计算公式为
| $ {\mathit{\boldsymbol{\varepsilon }}_{ij}} = \frac{{1 + \left| {{\mathit{\boldsymbol{s}}_i}} \right| + \left| {{\mathit{\boldsymbol{s}}_j}} \right|}}{{1 + \left| {{\mathit{\boldsymbol{s}}_i}} \right| + \left| {{\mathit{\boldsymbol{s}}_j}} \right| + \left| {{\mathit{\boldsymbol{s}}_i}-{\mathit{\boldsymbol{s}}_j}} \right|}}. $ | (5) |
(2) 灰色相对关联度(r).
该关联度的计算与第一种关联度的计算区别在于：该关联度是对数据序列Xi与Xj进行如下处理后，得到序列Xi′与Xj ′，再对Xi′与Xj ′进行第一种关联度分析.其处理的公式为
| $ {\mathit{\boldsymbol{X'}}_i} = \frac{{{\mathit{\boldsymbol{X}}_i}}}{{{x_i}\left( 1 \right)}} = \left( {\frac{{{x_i}\left( 1 \right)}}{{{x_i}\left( 1 \right)}}, \frac{{{x_i}\left( 2 \right)}}{{{x_i}\left( 2 \right)}}, \cdots, \frac{{{x_i}\left( n \right)}}{{{x_i}\left( 1 \right)}}} \right). $ | (6) |
注：代表序列Xi与Xj的这种关联度通常用rij来表示.
(3) 灰色综合关联度(ρ).
设数据序列Xi与Xj,则有如下计算公式：
| $ {\mathit{\boldsymbol{\rho }}_{ij}} = \mathit{\boldsymbol{\theta }}{\mathit{\boldsymbol{\varepsilon }}_{ij}} + \left( {1- \mathit{\boldsymbol{\theta }}} \right){\mathit{\boldsymbol{r}}_{ij}}, \mathit{\boldsymbol{\theta }} \in \left[{0, 1} \right]. $ | (7) |
ρij考虑了前两种关联因素，即它比较全面地考虑了两序列之间关系.其中θ为系数，一般而言，可取θ=0.5.
对我国CO2排放量产生直接影响的无疑是我国能源消费结构，除此之外，人口结构及产业结构以及全社会固定投资规模也是重要的间接影响因素，据此收集整理得到我国2000年~2011年间的CO2影响因素指标见表 1.
|
表 1 我国历年CO2排放量影响指标1) Table 1 Impact indicators of CO2 emission in recent years |
CO2排放量影响因素包括直接影响因素与间接影响因素，直接影响因素包括煤炭消费总量、石油消费总量、天然气消费总量以及其他能源消费总量；间接影响因素包括人口结构、国内生产总值、全社会固定资产投资总额，其中人口结构分为城镇人口以及农村人口，国内生产总值包括第一产业、工业、建筑业以及第三产业.从直接影响因素以及间接影响因素两个方面对CO2排放量的影响进行分析.
2.1 直接影响因素分析直接影响因素分析分为重要性分析和影响分析，其中重要性分析依靠变异系数法与层次分析法进行，分析各影响因素对CO2排放量的影响的重要程度；而影响分析则依靠灰色关联度(包括前面介绍的前3种).
(1) 变异系数法分析.
根据2001~2012年中国能源消费统计年鉴以及国家统计局有关能源消费的一些数据统计，得到2000~2011年煤炭、石油量、天然气以及其他能源消费总量的标准差分别为49 458、10 825、4 621以及6 513；平均值分别为168 224、47 430、8 159以及17 757；变异系数分别为0.294 0、0.2282、0.566 3以及0.366 8；归一化后得到的权重分别为0.202 0、0.156 8、0.389 1以及0.252 0.
(2) 层次分析法分析.
对CO2排放的直接影响因素进行分析，得到其相对重要程度相关等级计算表见表 2.
|
|
表 2 直接影响因素相对重要程度相关等级计算表 Table 2 Relevant calculation table of direct influence factors for relative importance |
计算得到煤炭、石油、天然气以及其他能源消费总量的权重值为(0.159 8，0.095 3，0.467 6，0.277 3).对权重的进行一致性检验可知：CI=0.008 7，RI=0.90，随机一致性比率CR=0.009 7＜0.1，因此，一致性检验通过，说明权重比较合理.
(3) 灰色关联法分析.
灰色关联分析法分析以2000~2011年的CO2总排放量为被关联序列，以所选择的各种有关能源消费量为关联序列，据此得到表 2中4类能源消费总量的灰色关联度分别为：
ε为0.642 1，0.537 1，0.510 0，0.517 6;
r为0.963 9，0.831 2，0.7514，0.908 2;
ρ为0.803 0，0.684 2，0.630 7，0.712 9.
由权重分配得出：对CO2排放量的影响，各种能源消费直接影响因素重要性从大到小依次为：天然气、其他能源、煤炭、石油.即在最近的十几年中，天然气与其他能源消费量是CO2排放量最重要的影响因素；而煤炭与石油消费的影响却次之，这说明中国的能源改革将能源产业调整的重心都放在了天然气能源与其他能源上，一改往日依赖传统煤炭能源为主的发展风格取得了良好的成效.
由灰色分析(不论是从ε、r还是ρ)得出：正如人们定性所熟知的一样，煤炭消费对CO2排放量的影响最大，关系也最紧密.其次是其他能源的消费，相对而言，石油、天然气的消费总量对CO2排放量的影响比较小.
2.2 间接影响因素分析.(1) 变异系数法分析.
根据2000~2011年城镇人口数(万人)、农村人口数(万人)、第一产业国内生产总值(亿元)、工业国内生产总值(亿元)、建筑业国内生产总值(亿元)，第三产业国内生产总值(亿元)以及全社会固定资产投资总额(亿元)的统计数据，得到以上指标的标准差分别为7 521、4 928、10 657、49 458、8 820、54 939以及93 046；平均值分别为57 412、73 542、26 508、95 414、14 327、98 879以及128 031；变异系数分别为0.131 0、0.067 0、0.402 0、0.518 3、0.615 6、0.555 6以及0.726 7；归一化后得到的权重分别为0.043 4、0.022 2、0.133 3、0.171 9、0.204 1、0.184 2、0.240 9.
(2) 层次分析法分析.
对CO2排放的间接影响因素进行分析，得到其相对重要程度相关等级计算表见表 3.
|
|
表 3 间接影响因素相对重要程度相关等级计算表 Table 3 Relevant calculation table of indirect influence factors for elative importance |
计算得到城镇人口、农村人口、第一产业产值、工业产值、建筑业产值、第三产业产值以及全社会固定资产投资总额的权重值分别为(0.043 8，0.027 5，0.064 1，0.104 5，0.239 3，0.158 6，0.362 4).
权重的一致性检验结果为：CI=0.003，RI=1.32，随机一致性比率CR=0.022 7＜0.1，因此CO2排放的判断矩阵的一致性可以接受，权数分配合理.
(3) 灰色关联法分析.
灰色关联分析法分析以2000~2011年的CO2总排放量为被关联序列，以2000~2011年的城镇人口数、农村人口数、第一产业产值、工业产值、建筑业产值、第三产业产值以及全社会固定资产投资总额的灰色关联度分别为：
绝对灰色关联度为0.524 2，0.515 3，0.523 5，0.613 1，0.517 7，0.622 4，0.692 0；
相对灰色关联度为0.692 0，0.587 8，0.987 4，0.778 0，0.745 8，0.749 3，0.637 0；
综合灰色关联度为0.618 6，0.551 6，0.755 5，0.695 6，0.631 8，0.685 9，0.664 5.
由权重分配可以看出，对CO2排放而言，其间接影响因素重要性从大到小排序为：全社会固定资产投资总额＞建筑业产值＞第三产业产值＞工业产值＞第一产业产值＞城镇人口数＞农村人口数.这说明对于CO2排放而言，全社会固定资产投资总额的变化最大，对CO2排放的影响也最大，国内生产总值(包括第一产业、工业、建筑业以及第三产业)的变化对CO2排放的影响次之，而城乡人口结构的变化对CO2排放的影响相对较小.
灰色分析的结果表明：各影响因素对CO2排放量的影响顺序由大到小依次为：第一产业产值＞工业产值＞第三产业产值＞全社会固定资产投资总额＞建筑业产值＞城镇人口数＞农村人口数，说明我国CO2排放与能耗高的三大产业关系最为密切，而与社会固定资产投资总额以及建筑业产值的关系次之，而与城乡人口结构的关系不甚紧密.
3 结论与建议(1) 本文通过对CO2排放量相关的直接或间接因素的多视角分析，构建了多层次的CO2排放量与我国能源关系的模型.同一般模型相比较该模型架构庞大，分析全面，且在分析计算时通过多种理论对比分析，增加了过程的科学性及结果的可靠性.
(2) 通过对CO2排放的直接影响因素进行分析，得出CO2排放的直接影响因素.针对直接影响因素，建议相关部门在制定能源产业战略时，加大加快对天然气等清洁能源的开发利用，降低对煤炭等传统能源的利用.
(3) 在对CO2排放的间接影响因素进行分析后，发现最近几年全社会固定资产投资总额以及各产业国内生产总值的变化对CO2排放量的影响较大，同时CO2排放量的变化趋势与第一、第二、第三产业关系密切.我国CO2排放与能耗高的三大产业关系最为密切，因此为减少CO2排放，应该合理调整产业结构，不断优化产业结构.
(4) 严格控制各行业的能耗标准，对能耗大的行业企业采取必要措施，这样才能达到降低CO2排放的目的.
| [1] |
杜立民. 我国二氧化碳排放的影响因素:基于省级面板数据的研究[J].
南方经济, 2010(11): 20-33.
DU L M. Impact factors of China's carbon dioxide emissions:provincial panel data analysis[J]. South China Journal of Economics, 2010(11): 20-33. DOI: 10.3969/j.issn.1000-6249.2010.11.002. |
| [2] |
刘宇, 吕郢康, 周梅芳. 投入产出法测算CO2排放量及其影响因素分析[J].
中国人口资源与环境, 2015, 25(9): 21-28.
LIU Y, LYV Y K, ZHOU M F. Analysis on the influence factors of computing CO2 emission by input-output method[J]. China Population, Resources And Environment, 2015, 25(9): 21-28. |
| [3] | WANG Z H, YIN F C, ZHANG Y X, 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. |
| [4] | WEISHAAR S. CO2 emission allowance allocation mechanisms, allocative efficiency and the environment: a static and dynamic perspective[J]. European Journal of Law and Economics, 2007, 24(1): 29-70. DOI: 10.1007/s10657-007-9020-z. |
| [5] | ENDRES A, OHL C. Kyoto, Europe?—An economic evaluation of the European emission trading directive[J]. European Journal of Law and Economics, 2005, 19(1): 17-39. DOI: 10.1007/s10657-005-5274-5. |
| [6] | WANG C, CHEN J, ZOU J. Decomposition of energy-related CO2 emission in China: 1957-2000[J]. Energy, 2005, 30(1): 73-83. DOI: 10.1016/j.energy.2004.04.002. |
| [7] | 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: 182-193. DOI: 10.1016/j.apenergy.2014.03.093. |
| [8] | HUO J, YANG D, ZHANG W, et al.Analysis of influencing factors of CO 2 emissions in Xinjiang under the context of different policies[J]. Environmental Science & Policy, 2015, 45: 20-29. |
| [9] | FABER D S, KORN H. Applicability of the coefficient of variation method for analyzing synaptic plasticity[J]. Biophysical Journal, 1991, 60(5): 1288-1294. DOI: 10.1016/S0006-3495(91)82162-2. |
| [10] | 汪光顺, 舒航. 矿业经济分析中的数学方法[M]. 北京: 中国标准出版社, 1995: 133-172. |
| [11] | SAATY T L. Decision making with the analytic hierarchy process[J]. International journal of services sciences, 2008, 1(1): 83-98. DOI: 10.1504/IJSSCI.2008.017590. |
| [12] |
武玉洁, 袁家凤. 基于AHP-模糊综合评价法的广东省技术创新服务体系评价[J].
广东工业大学学报, 2011, 28(2): 85-87.
WU Y J, YUAN J F. AHP-fuzzy comprehensive evaluation of the technological innovation service system in guangdong province[J]. Journal of Guangdong University of Technology, 2011, 28(2): 85-87. |
| [13] |
于凤玲, 陈建宏, 周扬, 等. 改进GTDM-NE模型对我国能源需求规律分析[J].
中南大学学报:自然科学版, 2014, 45(9): 3288-3294.
YU F L, CHEN J H, ZHOU Y, et al.Energy demand law analysis of China based on improved GTDM-NE model[J]. Journal of Central South University:Science and Technology, 2014, 45(9): 3288-3294. |
| [14] |
刘丽孺, 陈锋华, 林朝尊, 等. 空调长途客车内空气品质的调查及其灰色关联分析[J].
广东工业大学学报, 2010, 27(2): 36-39.
LIU L R, CHENF H, LIN Z Z, et al.Air quality survey and grey incidence analysis of air-conditioned coaches[J]. Journal of Guangdong University of Technology, 2010, 27(2): 36-39. |
| [15] | XIE N M, LIU S F. Research on evaluations of several grey relational models adapt to grey relational axioms[J]. Journal of Systems Engineering and Electronics, 2009, 20(2): 304-309. |