2021, Vol. 38
2. 肇庆市供电局，广东 肇庆 526300
2. Zhaoqing Power Supply Bureau, Zhaoqing 526300, China
能源使用引起的全球变暖已经成为人类发展面临的重大挑战之一。遏制碳排放增长已经成为应对全球气候变化的重要课题。中国承诺2030年的单位国内生产总值碳排放比2005年的单位国内生产总值碳排放下降60%~65%，并在2030年达到碳排放峰值，非化石能源消费占比达到能源消费的50%。然而，在全面建设小康社会和乡村振兴的背景下，农村产业不断发展，农村人口收入不断增加，农村地区城市化水平不断提高，城乡差距逐步缩小，这些都会导致农村能源消耗尤其是电能源使用量的不断增加，碳排放增长问题随之产生。因此，有必要从电能源角度分析农村地区碳排放的驱动因素，并据此探讨农村发展的低碳之路。
1 研究背景自20世纪80年代开始，二氧化碳被认为是一种大气污染物以来，人们对其排放进行了大量的研究。由于碳排放与社会经济发展密切相关，碳减排与经济发展的牵连成为人们经常讨论的话题。目前关于碳排放影响因素的研究中，大多数学者从不同产业部门的角度进行分析。例如Pan等[1]评估了2003年至2016年中国六个行业的二氧化碳(CO2)排放驱动因素，Wu等[2]探讨了中国建筑业碳排放的影响机制。此外，也有学者从国家层面(Ma 等[3])或者省级层面(Wang 等[4]; Wang 等[5])对碳排放影响因素进行分析。
现有农村碳排放研究主要涉及农业生产和农村居民生活两个方面。对于农业生产而言，碳排放影响因素主要包括农业生产总值、农业技术发展、人口规模、收入水平、农业产业结构等(Xu和Lin[6]；Chen等[7]；Liu等[8])。例如，Xiong等[9]，Han等[10]和Li等[11]基于对数平均迪氏指数(Logarithmic Mean Divisia Index，LMDI)方法，发现经济因素(单位劳动投入的农业总产值)是促使农业碳排放增加的关键因素，而效率因素(单位作物生产总值产生的碳排放量)对减少农业碳排放起着关键作用。此外，城市化也是推动农业碳排放增长的重要原因之一(Zhen等[12]；Xiong等[13])。
关于农村居民生活方面碳排放的研究中，学者选取了多个因素来分析农村家庭碳排放(Yang等[14]；Wang和Yang[15]；Chen等[16]；Zha等[17]；Fan等[18])。例如，Wang等[19]通过能源强度、收入水平、人口规模、城镇化率和产业结构等指标对农村家庭碳排放进行调查和预测，结果发现，收入水平被认为是农村家庭碳排放不断增长的关键因素。Dong和Zhao[20]利用格兰杰因果关系检验方法探讨了中国农村家庭人均收入(Per Capita Income,PI)和人均二氧化碳排放(Carbon Emission,CE)之间的关系。结果发现PI和CE存在单向因果关系。除了收入水平，还有一些学者认为城市化水平也是农村家庭碳排放增长的重要影响因素。Chen等[16]通过研究发现，四川省的城镇化率和非农就业率对农村家庭碳排放量产生积极影响。然而，Yang等[14]却发现城市化效应是江西省农村居民能源相关二氧化碳排放的抑制因素。究其原因，是由于同一因素对农村碳排放的影响会因所处地理位置不同而有差异。因此，为了确保农村低碳发展政策能够有效实施，需要针对不同省份的特点进行详细分析。本文以广东省农村地区作为研究对象，将农村生产因素和家庭生活因素进行综合，从整体角度分析农村发展对农村地区碳排放的影响。
广东省农村地区主要集中在粤东、粤西和粤北地区。这些地区的人均国内生产总值不到珠三角地区人均国内生产总值的一半。城乡发展不平衡和农村发展不足成为制约广东省经济发展的最大障碍。为了把“短板”变成“潜力板”，广东省近年将粤港澳大湾区建设与乡村振兴战略相结合，通过现代农业产业和乡村旅游，大力发展粤东、粤西和粤北地区。但随着农业和农村现代化的发展，农业和农村的能源消耗逐渐增加，尤其是电能源的使用。为了促进农村经济发展，广东省对农村电网进行了升级改造，提高了农村电气化水平，这在一定程度上也进一步刺激了农村用电量的增长。从2005年至2018年，广东省农村用电量增长了约88%，年均增长6.77%。Qiu等[21]认为农村经济的发展加快了农村传统生物质能向电力、太阳能等商业能源的转变。Salahuddin等[22]通过研究发现电力消耗量、经济增长和碳排放量之间存在着长期的积极关系。
目前，识别碳排放影响因素的两种最常用方法是对数平均迪氏指数LMDI(Ang[23])和STIRPAT模型(York等[24])。然而，有学者认为对数平均迪氏指数无法适应负值(Ang等[25])以及现有算法在“贡献率”方面存在缺陷(Li等[26])。与LMDI方法相比，STIRPAT模型没有上述缺点，并且可以探讨更多的影响因素，产生的结论也更可靠(Wang等[4]；Wang 等[5])。因此本文将从电能源碳排放角度整体分析农村发展对广东省农村用电碳排放的影响，并利用改进的STIRPAT模型确定影响广东省农村用电碳排放的驱动因素。本文将帮助政策制定者更深入地了解农村发展对广东省农村用电碳排放的影响，进而确定有助于实现农村低碳发展目标的相关政策。
2 数据来源和研究方法 2.1 数据来源本文使用的数据包括广东省2005年至2018年的城镇人口数量、农村人口数量，农林牧渔业总产值，有效灌溉面积、农业机械总动力、农林牧渔业固定资产投资(不含农户)、农村居民人均住房面积、农村居民人均可支配收入和农村用电量。上述数据均来自广东省统计年鉴(2006~2019年)。
2.2 农村电力消耗产生的碳排放测算本文主要采用碳排放因子法测算电力能源消耗碳排放量，如式(1)所示。
| $ C = Q \times {\rm{EF}} $ | (1) |
式中，C为电能源碳排放量，Q为农村年耗电量，单位为kW·h，EF为单位电力能源消耗所产生的碳排放，即碳排放因子。本文采用区域电网平均排放因子来评价区域电网的碳排放。2012年国家发展和改革委员会发布的中国南方地区电网的二氧化碳排放系数为0.5271 kg CO2/kW·h。
2.3 STIRPAT模型STIRPAT模型可以分析人口、技术和经济指标对碳排放量产生的非等比例影响。传统的STIRPAT模型如式(2)所示。
| $ I = a{P^b}{A^c}{T^d}e $ | (2) |
其中I为环境影响，P、A和T分别代表人口规模、富裕程度和技术水平。a是模型系数，b、c和d代表每个变量的指数，e代表模型的误差。
为了确定STIRPAT模型的系数，需要对相关变量进行对数处理，得到式(3)。
| $ {\rm{ln}}I = {\rm{ln}}a + b{\rm{ln}}P + c{\rm{ln}}A + d{\rm{ln}} T+ {\rm{ln}}e $ | (3) |
在式(3)中，b、c、d可以看作是在其他影响因素不变的情况下，一个影响因素变化1%所引起的环境影响的变化幅度，相当于经济学上的弹性系数。
在本文研究中，基于式(3)采用扩展的STIRPAT模型，扩展后的模型，如式(4)所示。
| $ \begin{split} & {{\ln }}C = {{a}} + b\left( {\ln {\rm{UR}}} \right) + {{c}}\left( {\ln {\rm{PAV}}} \right) + {{d}}\left( {\ln {\rm{IA}}} \right) + {{f}}\left( {\ln {\rm{AMP}}} \right) +\\&\qquad {{g}}\left( {\ln {\rm{FAI}}} \right) + {{h}}\left( {\ln {\rm{PDI}}} \right) + {{i}}\left( {\ln {\rm{HCA}}} \right) + e\\[-10pt] \end{split} $ | (4) |
式中，C为农村用电量碳排放量，UR为城市化水平，PAV为农业经济发展水平，IA为有效灌溉面积，AMP为农业机械化水平，FAI为农业固定资产投资，PDI表示收入水平以及HCA表示住房条件。上述变量的具体解释见表1。上述变量在2005~2018年的变化趋势，见图1~图4。
|
表 1 变量定义 Table 1 Variable definitions |
|
图 1 广东省2005~2018年人口和城镇化率的变化趋势 Figure 1 Changes of population and urbanization in Guangdong from 2005 to 2018 |
|
图 2 广东省2005~2018年PDI和HCA的变化趋势 Figure 2 Changes of PDI and HCA in Guangdong from 2005 to 2018 |
|
图 3 广东省2005~2018年PAV和FAI的变化趋势 Figure 3 Changes of PAV and FAI in Guangdong from 2005 to 2018 |
|
图 4 广东省2005~2018年IA和AMP的变化趋势 Figure 4 Changes of IA and AMP in Guangdong from 2005 to 2018 |
为了进一步对广东省农村用电碳排放与农业经济发展的关系进行研究，本文构建了农村用电碳排放和农业总产值的脱钩分析模型。本文选取Tapio脱钩模型(Tapio[27])进行分析。该模型划分出8种脱钩状态，能对具体的脱钩关系进行准确反映。其模型见式(5)。
| $ {\rm{\rho }} = \frac{{\Delta {C_t}}}{{\Delta {{\rm{GDP}}_t}}} = \frac{{\left( {{C_t} - {C_0}} \right)/{C_0}}}{{\left( {{{\rm{GDP}}_t} - {{\rm{GDP}}_0}} \right)/{{\rm{GDP}}_0}}} $ | (5) |
式中，ρ为广东省农村用电量碳排放与农业经济发展的脱钩弹性值，
采用式(1)计算广东省2005~2018年农村用电量产生的碳排放量。农村用电量及其产生的碳排放变化趋势，见图5。根据图5，可知广东省农村用电碳排放量逐年增加，从2005年的4039 万t增加到2018年的7606 万t，年增长率为5.038%。
|
图 5 广东省2005~2018年农村用电量及其碳排放变化趋势 Figure 5 Changes of rural electricity consumption and carbon emissions in Guangdong Province from 2005 to 2018 |
由于STIRPAT模型的因素之间容易产生高度相关，会使得回归模型存在多重共线性。这会降低回归估计系数的准确性，并可能导致得出错误的结论。因此，本文对影响因素进行相关性分析时用普通最小二乘法进行回归，检验变量之间的多重共线性。根据表2可以发现，变量之间高度相关，得到的回归模型可能存在严重的多重共线性。表3总结了普通最小二乘法的回归分析结果，其中，回归模型的方差膨胀系数(Variance Inflation Factor，VIF)远高于10，这表明影响因素之间存在严重的多重共线性。因此，采用普通最小二乘法进行回归所得到的回归系数不可靠，不能有效准确地解释广东省农村用电量碳排放的影响因素。因此，本文选择采用岭回归来克服多重共线性对回归分析结果的影响。
|
|
表 2 相关性测试结果1) Table 2 Correlation test results |
|
|
表 3 普通最小二乘法回归结果 Table 3 OLS regression results |
岭回归是常用的一种解决自变量多重共线性的方法。岭回归的关键步骤是确定合适的岭参数，即K值。由于本文采用了14年的时间序列数据，因此采用7次交叉验证以确定最优岭参数K，进而得到最优的岭回归结果。通过7次交叉验证后，当K=0.3时，岭回归模型的均方误差最小，R2几乎是稳定的。R2和K之间的关系如图6所示。因此，本文选取K值等于0.3来进行岭回归。
|
图 6 R方与岭参数K的变化关系 Figure 6 Change relation between R square and Ridge parameter (K) |
表4总结了岭回归的结果。从表4可以观察到，所有的回归系数都是显著的(显著性<0.05)。回归方程的R2为0.978，调整R2为0.952，表示回归方程整体拟合良好，F统计量(34.582)也在0.01水平上显著。综上所述，得到的岭回归方程如式(6)所示。
|
|
表 4 岭回归结果1) Table 4 Ridge regression results |
| $ \begin{split} {\rm{ln}}C =& 0.125\left( {{\rm{lnUR}}} \right) + 0.172\left( {{\rm{lnPAV}}} \right) + \\&0.104\left( {{\rm{lnIA}}} \right) + 0.109\left( {{\rm{lnAMP}}} \right) + 0.133\left( {{\rm{lnFAI}}} \right) +\\& 0.193\left( {{\rm{lnPDI}}} \right) + 0.162\left( {{\rm{lnHCA}}} \right)\\[-10pt] \end{split} $ | (6) |
由式(6)系数的符号可以发现，广东省农村用电碳排放与各影响因素之间呈正相关。根据这7个影响因素对于农村用电量碳排放的影响从大到小排列为：农村居民人均可支配收入>农业经济发展水平>住房条件>农业固定资产投资>城镇化水平>农业机械化水平>有效灌溉面积。
收入水平(lnPDI)是农村用电碳排放的首要促进因素。如果农村居民人均可支配收入增加1%，相应的碳排放量将增加0.193%。收入水平对农村用电量碳排放产生的影响可能是因为农村居民人均可支配收入增长，提高了居民购买力，使得农村居民对冰箱、空调、电动车等电器设备的需求大幅增长。Li等[28]认为，生活水平的提高极大地促进了用电量的增长。其次，农村居民可支配收入的增加也促使农民采用排灌设施来提高农业生产效率，从而导致农业用电量的增加。
同样，住房条件(lnHCA)对二氧化碳排放也有相当显著的积极影响。其弹性系数为0.162，这意味着农村家庭人均住房面积每增加1%，碳排放量将增加0.162%。随着人均住房面积的增加，为了满足人们的舒适性要求，电器的数量或电器功率需求增加，从而导致农村居民家庭用电量增加。
农业经济发展水平(lnPAV)和农业固定资产投资(lnFAI)对碳排放也有相当显著的积极影响。人均农业产值和农业固定资产投资每增加1%，相应的碳排放量将分别增加0.172%和0.133%。近年来，广东实施高标准农田建设规划，改善农业生产条件和农田基础设施。其中，农田输配电设施的建设提高了电能质量，满足了农民的用电需求，为农业用电的增加提供了可能。
城市化水平(lnU)也是增加农村用电量碳排放的一个因素，其影响指数为0.125。如图1所示，2005~2018年间，广东省城市化率从60.6%稳步上升至70.7%。城市与农村之间的差距正在逐渐缩小。大多数农村居民的生活方式发生了极大的改变，倾向于增加高碳商品的消费。但是，当现代化达到一定水平，采用节能技术可以消除城市化的影响(Miao等[29])。灌溉面积(lnIA)和农业机械化水平(lnAMP)对农村用电量碳排放的影响程度较小。灌溉面积和农机总功率每增加1%，相应的碳排放量将增加约0.1%。
3.4 农村用电碳排放与农业经济增长的脱钩分析根据上述Tapio脱钩分析模型，以及2005~2018年广东省农村用电量碳排放和农业总产值，得到2005~2018年广东省农村用电量碳排放与农业经济发展的脱钩弹性值，结果如图7所示。
|
图 7 2006~2018年脱钩指数变化 Figure 7 Change of decoupling index from 2006 to 2018 |
图7显示，2005~2018年广东省农村用电量碳排放共出现了两次扩张性负脱钩(脱钩弹性值>1.2)，分别为2006年和2007年。在这两年时间里，农村用电碳排放和农业GDP均呈现增长态势，但是碳排放的增长率高于农业GDP的增长速率。而在后11年中，除了2009年呈现扩张性脱钩(0.8<脱钩弹性值<1.2)，其余10年时间，农村用电量碳排放增长率低于农业GDP的增长率，呈现出弱脱钩的态势(0<脱钩弹性值<0.8)。这可能与农业采用节能设备，引进新技术增加农业的产值，提高电能的利用率有着密切关系。
4 政策建议根据以上结论，对广东省农村低碳发展提出以下建议：
(1) 农村低碳发展，不能只关注于农业或居民生活这一个方面，需要综合考虑农业和农村居民生活对农村用电碳排放的影响，提高农业和居民用电效率。
(2) 在农村居民用电方面，政府需要向农村居民宣传节能知识。鼓励农村居民采用绿色低碳的能源消费模式和生活方式，节约用电。此外，政府应推动节能家电等产品消费政策措施的落实，鼓励农村居民购买节能家电。
(3) 在农业用电方面，鼓励农民使用节能设备，优化农田用电管理。此外，应进一步加强节能灌溉和供氧技术的研究。在加快农业高标准建设的同时，需要注重节能环保，可以将智能技术和农业相结合，应用智能照明技术、智能灌溉技术等智能控制技术，提高生产效率和用电效率，实现农业现代化。
5 结语为了研究农村各项发展指标对广东省农村用电碳排放的影响，本文采用STRIPAT模型和岭回归分析对广东省农村用电碳排放的影响机制进行研究，进而分析了农村用电碳排放与农业经济发展的脱钩关系。结果发现，广东省农村用电碳排放与城市化水平、农业经济发展水平、有效灌溉面积、农业机械化水平、农业固定资产投资、收入水平以及住房条件等因素均呈现正相关关系。其中，农村居民人均可支配收入是主要的影响因素。广东省农村用电碳排放和农业经济发展经历了3种状态：扩张性负脱钩、扩张性脱钩和弱脱钩。这说明，广东省农业经济发展对农村用电量有一定依赖性。但是，随着农业技术的发展，农村用电碳排放与农业经济发展之间的关系会越来越弱。
本文在一定程度上揭示了影响农村电力消耗产生的碳排放的关键因素，为政府制定碳减排政策提供数据支持。然而，由于现有数据的局限性，本文仅对农业生产用电量和农村居民用电量进行了分析，而没有考虑农村其他行业的用电影响。这可能遗漏了其他重要的影响因素。因此，今后应继续将农村第二产业和第三产业对农村碳排放的影响纳入研究之中。
| [1] | |
| [2] | |
| [3] | |
| [4] | |
| [5] | |
| [6] |
XU B, LIN B Q. Factors affecting CO2 emissions in China's agriculture sector: Evidence from geographically weighted regression model
[J].
Energy Policy, 2017, 104: 404-414.
DOI: 10.1016/j.enpol.2017.02.011. |
| [7] | |
| [8] |
LIU Y, TANG H, MUHAMMAD A, et al. Emission mechanism and reduction countermeasures of agricultural greenhouse gases —— a review[J].
Greenhouse Gases-Science and Technology, 2019, 9(2): 160-174.
DOI: 10.1002/ghg.1848. |
| [9] |
XIONG C H, YANG D G, XIA F Q, et al. Changes in agricultural carbon emissions and factors that influence agricultural carbon emissions based on different stages in Xinjiang, China[J].
Scientific Reports, 2016, 6(1).
|
| [10] |
HAN H B, ZHONG Z Q, GUO Y, et al. Coupling and decoupling effects of agricultural carbon emissions in china and their driving factors[J].
Environmental Science and Pollution Research, 2018, 25(9): 1-14.
|
| [11] | |
| [12] | |
| [13] |
XIONG C H, CHEN S, XU L T. Driving factors analysis of agricultural carbon emissions based on extended STIRPAT model of Jiangsu Province, China[J].
Growth and Change, 2020, 51(3): 1401-1416.
DOI: 10.1111/grow.12384. |
| [14] |
YANG Y, JIA J S, CHEN C D. Residential Energy-Related CO2 Emissions in China’s Less Developed Regions: A Case Study of Jiangxi
[J].
Sustainability, 2020, 12(5).
|
| [15] | |
| [16] |
CHEN Q, YANG H R, WANG W G, et al. Beyond the City: Effects of Urbanization on Rural Residential Energy Intensity and CO2 Emissions
[J].
Sustainability, 2019, 11(8).
|
| [17] |
ZHA D L, ZHOU D Q, ZHOU P. Driving forces of residential CO2 emissions in urban and rural China: An index decomposition analysis[J].
Energy Policy, 2010, 38(7): 3377-3383.
DOI: 10.1016/j.enpol.2010.02.011. |
| [18] |
FAN J B, RAN A, LI X M. A study on the factors affecting china's direct household carbon emission and comparison of regional differences[J].
Sustainability, 2019, 11(18).
|
| [19] |
WANG W X, ZHAO D Q, KUANG Y Q. Decomposition analysis on influence factors of direct household energy-related carbon emission in Guangdong province —— Based on extended Kaya identity[J].
Sustainable Energy, 2016, 35(1): 298-307.
|
| [20] |
DONG Y M, ZHAO T. Difference analysis of the relationship between household per capita income, per capita expenditure and per capita CO2 emissions in China: 1997—2014
[J].
Atmospheric Pollution Research, 2017, 8(2): 310-319.
DOI: 10.1016/j.apr.2016.09.006. |
| [21] | |
| [22] | |
| [23] |
ANG B W. Decomposition analysis for policy making in energy: which is the preferred method?[J].
Energy Policy, 2004, 32(9): 1131-1139.
DOI: 10.1016/S0301-4215(03)00076-4. |
| [24] |
YORK R, ROSA E A, DIETZ T. STIRPAT, IPAT and ImPACT: analytic tools for unpacking the driving forces of environmental impacts[J].
Ecological Economics, 2003, 46(3): 351-365.
DOI: 10.1016/S0921-8009(03)00188-5. |
| [25] |
ANG B W, LIU F L, CHUNG H S. A generalized Fisher index approach to energy decomposition analysis[J].
Energy Economics, 2004, 26(5): 757-763.
DOI: 10.1016/j.eneco.2004.02.002. |
| [26] | |
| [27] |
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.
DOI: 10.1016/j.tranpol.2005.01.001. |
| [28] |
LI X, HE X, LUO X, et al. Exploring the characteristics and drivers of indirect energy consumption of urban and rural households from a sectoral perspective[J].
Greenhouse Gases-Science and Technology, 2020, 10(5): 907-924.
DOI: 10.1002/ghg.2010. |
| [29] |