Analysis of China's Urban and Rural Consumption Carbon Emissions Based on LMDI-Tapio-GA-BP
-
摘要:
基于IPCC-CLA法对中国居民消费碳排放进行溯源测度、使用LMDI-Tapio法进行驱动因素分解和脱钩分析，采用ARIMA-GA-BP法预测2030年碳排放总量及驱动效果的趋势。研究表明：中国城乡居民生活消费碳排放在2003—2019年间一直处于上升阶段，并且总体上城镇居民生活消费碳排放相对更高，城镇居民生活消费间接碳排放的增长是城乡碳排放差异扩大的主要来源。主要驱动因素的脱钩情况说明了城乡能源利用强度、能源利用结构、人口数量与居民消费碳排放的负向脱钩状态；城镇人均收入水平与居民消费碳排放在扩张性负连接和扩张连接之间呈现阶段性转换，乡村人均收入水平脱钩状态呈现出向弱脱钩转换的良好状态。在驱动因素的影响趋势中，城市人口的驱动作用将进一步上升，农村人口的驱动作用将进一步下降，能源强度的驱动作用将进一步下降。2020—2030年间城市直接碳排放和乡村直接碳排放预测将一直处于上升阶段，但碳排放增长速率在2021年出现了峰值之后出现下降趋势，城市直接碳排放下降幅度较大，农村直接碳排放下降幅度相对较缓。收入和城市人口数量变化的影响效应明显，兼顾城乡统筹发展，并注重城乡的能源利用和农村地区消费模式的革新是促进居民消费碳减排的有效路径。
-
关键词:
- 中国城乡居民消费碳排放 /
- LMDI /
- Tapio /
- ARIMA-GA-BP-神经网络 /
- 趋势预测
Abstract:Based on IPCC-CLA method, the carbon emissions from household consumption in China were traced. And the driving factors were decomposed and decoupled by the LMDI-Tapio method. Then the total carbon emissions and driving effects trends in 2030 were predicted by the ARMI-GA-BP method. The results show that the carbon emissions from living consumption of urban and rural residents in China were rising from 2003 to 2019, and in general, the carbon emissions from living consumption of urban residents are relatively higher, and the growth of indirect carbon emissions from living consumption of urban residents is the main source of the widening gap between urban and rural carbon emissions. The decoupling of main driving factors indicates the negative decoupling between urban and rural energy utilization intensity, energy utilization structure, population and household consumption carbon emissions. Urban per capita income level and household consumption carbon emissions show a phased transition between expansionary negative connection and expansionary connection, and the decoupling state of rural per capita income level shows a good transition to weak decoupling. In the influence trend of driving factors, the driving role of urban population will further rise, the driving role of rural population will further decline, and the driving role of energy intensity will further decline. The prediction of urban direct carbon emissions and rural direct carbon emissions from 2020 to 2030 will always be on the rise, but the growth rate of carbon emissions will peak in 2021 and then show a downward trend, with a large decline in urban direct carbon emissions and a relatively slow decline in rural direct carbon emissions. The impacts of changes in income and urban population are obvious. Taking into account the overall development of urban and rural areas, and paying attention to the energy utilization in urban and rural areas and the innovation of consumption patterns in rural areas are effective ways to promote residents consumption carbon emission reduction.
-
《2030年前碳达峰行动方案》中提出要推进城乡建设绿色低碳发展及倡导绿色低碳全民行动，促进绿色现代家庭消费模式是减少碳排放的重要来源[1]。与2022年相比，2023年全球CO2排放量仅增加了0.1%，而2021、2022年分别增加5.4%、1.9%，CO2总量达到3 580亿吨[2]。根据《2023年排放差距报告》，全球温室气体排放量在2022年达到了574亿吨CO2当量，其中G20国家的排放量占全球碳排放总量的76%[3]。中国作为G20国家之一，其碳排放量对全球碳排放有显著贡献。从人均碳排放量的角度来看，中国的人均碳排放量虽然增长迅速，但与一些发达国家(如美国、欧盟各国等)相比仍有一定差距。发达国家大城市由于人口密度大和工业活动集中，碳排放量较大，而乡村地区由于人口分散和以农业活动为主，碳排放量相对较低。实现绿色低碳转型是当前全球共同面临的重大挑战，也是推动可持续发展的关键。同时，在双循环模式下，扩大内需，提振居民消费已成为促进经济增长的重要环节和重要动力。城市是新消费动能培养的重要依托性力量，乡村振兴和快速发展又是统筹城乡发展和扩大内需不可缺少的力量。同时，城乡居民在消费水平和消费模式上又有诸多不同。《中国居民生活碳排放城乡差异报告》指出，以2012年为评估年，当期城镇居民的生活碳排放量明显高于农村居民，城镇的一次能源、二次能源和居民生活消费产生的户均居民生活碳排放量分别为1.51、2.97、5.06吨CO2。这表明城镇居民的直接碳排放量(1.51吨CO2)和间接碳排放量(8吨CO2)均高于农村居民。并且两者表现出一定的差异，具体为城镇地区的生活消费水平较高，能源消耗较大，尤其是电力、天然气和交通行业能源消耗较大，而农村地区则更多地依赖于传统的能源载体，如秸秆、薪材或煤炭，能源消耗相对较小[4]。这种城乡居民间的生活消费模式、能源使用习惯以及生活方式的显著差异直接导致了碳排放量的差异。可以看到，以往研究已经关注到居民消费碳排放量在中的差异，但尚未对差异来源及走势进行进一步分析，因而无法对近一时期的居民消费碳排放整体情况进行精细化研判。为了更好地实现碳达峰、碳中和目标，有必要继续对近一时期不同来源的居民消费碳排放进行溯源测度、驱动因素溯源性脱钩分析和驱动因素发展趋势预测，从而准确把握居民消费碳排放的主要来源及关键影响因素，为制定合理的减排措施提供理论依据和实践经验。
本文基于ICPP和IOA分析法，在对中国2003—2019年间城乡居民消费碳排放进行测算的基础上，使用LMDI-Tapio模型对关键影响因素的脱钩阶段和作用路径进行分析，从而明确来自居民需求侧的减排传导驱动因素。并基于优化的神经网络模型和LMDI分解法对2020—2030年间的分类碳排放量和驱动因素作用趋势进行预测。首先，细化了居民消费碳排放的测度方法，对居民消费碳排放进行区分来源的溯源式核算及关键驱动因素分解；其次，基于绿色消费理念与可持续性增长进行了主要驱动因素的脱钩努力分析，进一步推进了驱动因素分解方法论方面的研究；最后，运用ARIMA-GA-BP法以主要驱动因素的变化为依据，拟合预测未来居民消费碳排放的增长趋势及与主要驱动因素引致的变化趋势。
1. 理论机制和研究假设
1.1 居民消费轨迹对于消费碳排放的影响
进行居民消费碳排放的核算是进行驱动因素和脱钩分析的前提。目前，对于居民消费碳排放的直接碳排放计算通常使用碳排放因子法，间接碳排放法通常使用生命周期评价(LCA)法、投入产出(IOA)法和消费者生活方式(CLA)法等[5-10]。对比3种方法可以看到，LCA法的特点是以过程分析为出发点，结合投入产出矩阵，自下而上地计算出研究对象全生命周期的碳排放量；IOA法的特点是从宏观层面研究测度消费品和服务中所嵌入的能源使用、温室气体等污染物的计算法；CLA法是一种基于居民消费轨迹进行测算的间接碳排放计算法，因而更能反映居民消费差异的来源特征。
在碳排放的影响因素中，综合运用IPCC法、扩展的STIRPAT和Kaya模型对居民能源消费碳排放驱动因素进行分析。结果表明：人口规模、居民消费水平、能源消费结构、碳排放强度、能源消费强度和城镇化因素对居民能源消费碳排放具有显著影响[8]。基于回归分析法的驱动因素分析则更能说明样本数据下驱动因素的多样化特征。基于中国家庭追踪调查数据(2018)单期数据，对居民直接能源消耗和间接的生活方式引致的消费碳排放驱动因素开展的研究。结果表明：家庭规模与家庭年龄分别成为影响居民消费碳排放最强劲的促进因素与抑制因素，并且包括家庭构建期的“均衡型”居民消费碳排放、成长期的“经济导向型”居民消费碳排放及衰退期的“人口导向型”的不同家庭生命周期居民消费碳足迹具有差异[11]。另有基于相同来源数据展开的研究结果表明：不同类型家庭的住房贷款、租房率和租金的变化情况导致了居住类碳排放产生差异[12]。还有研究表明，人口老龄化直接影响居民消费碳排放的同时通过住房面积影响居民消费碳排放，但随着家庭收入的增加，人口老龄化对住房面积的影响减少，进而对居民消费碳排放的影响逐渐降低，并且从南北方的对比来看，这一特征在南方家庭中表现更明显[13]。此外也有研究表明，家庭人均收入、家庭户数效应、家庭规模效应、能源消费结构、能源消费强度、家庭消费率、家庭消费结构对城乡家庭直接和间接碳排放总量都具有不同程度的正向或负向驱动效应[14]。另外主要针对农村居民消费碳排放的研究表明，贫困脆弱性、消费升级能够减少农村居民消费碳排放，且贫困脆弱性可通过消费升级对居民消费碳排放发挥部分中介作用[15]。加之，基于不同时间、不同地区、不同样本的研究所得出的涉及消费影响因素的结果也具有差异。例如，在对西宁市开展家庭能源消费问卷入户调查的分析表明: 西宁市家庭取暖、厨房设备及热水器设备是家庭能耗及碳排放的主要来源，家庭收入、地理环境以及建筑特征等因素是人均家庭能源消费碳排放空间异质性形成的主要因素[16]。在对广州市的城乡碳排放的调研则发现：家庭特征、家庭规模、家用电器数量与碳排放呈显著正相关，而收入对碳排放没有显著影响[17]。
综合以上研究可以表明：家庭经济情况、家庭规模、住宅特征、交通出行、成员最高学历、户主年龄与健康水平、人口老龄化、互联网使用等是居民消费碳排放的驱动因素，但目前对于驱动因素的分析仍存在着较大的差异。但上述研究也说明了居民消费碳排放存在明显的轨迹差异，基于对居民消费碳排放的轨迹差异特征并遵循物料平衡原理进行测度及进一步分析，可以更好地区分居民消费碳排放源中直接碳排放和间接碳排放的差异特征。同时，脱钩分析也是一种溯源性方法，并可以进一步分析碳排放与经济发展间的平衡性关系。根据既有的居民消费碳排放的特点，本文首先提出如下假设进行分析。
假设1：人均收入、人口数量、城乡居民生活能源结构、能源强度是影响碳排放脱钩的关键驱动因素。
1.2 城乡居民消费差异对消费碳排放的趋势影响
对于城乡间居民消费碳排放存在的差异所采用的分析方法主要是比较城乡间的差异及驱动差异的成因。首先，城乡居民家庭生活碳排放存在差异，城镇家庭生活碳排放远超农村，且差距存在继续扩大趋势，其中城乡家庭生活间接碳排放远高于直接碳排放，人均住宅面积和人均消费支出是碳排放增加的主要驱动力，家庭消费能源强度效应和家庭住宅能源强度效应则是抑制碳排放增加的主要原因[18]，在城市地区，收入驱动居民消费碳排放的程度随着生活水平的提高而降低，但在农村地区效果并不显著[19]。城市家庭收入和储蓄的增加会抑制家庭燃气碳排放的产生，但对于城市家庭用电碳排放和城市家庭采暖碳排放，则表现出显著的推动作用[20]。此外，城乡间的“数字鸿沟”使得数字金融、收入分配的公平化和家庭金融知识的差异度具有影响特征的异质性。数字金融在农村地区的影响更小，在富裕的东部省份更为明显，收入分配的公平化抑制了与消费相关的碳排放，家庭金融知识的丰富加剧数字金融对碳排放的负面影响[21]。FEE(财政环境支出)通过降低对环境治理的满意度，显著增加了居民消费碳排放，这一特征对城市户口和负担较轻的家庭以及生活在GDP增长缓慢的北方大城市的家庭更为显著。同时，公共服务满意度、居民收入、能源强度和区位是重要的调节机制[22]。
对城乡居民碳排放的差异还可以进一步从预测角度得出。居民消费碳排放预测主要采用统计学方法、系统动力学模拟法和机器学习拟合预测法等。虽然不同预测方法所得出的居民消费碳排放预测结果存在差异，但是总体趋势表明，居民消费碳排放量在未来几十年内将继续增长。基于系统动力学建模预测在使用城市化率，非化石能源所占比例，能源强度和收入水平作为影响因素时，分析结果表明收入的增加是家庭CO2排放的主要驱动力，能源强度的下降则会使碳排放量有所减少，开发非化石能源减排潜力及提高城市化速度对于CO2下降作用不大[23]。通过构建采用需求侧政策模拟的动态CGE模型预测发现：在2050年居民消费碳排放成本可能降低13.60%~14.01%。居民消费碳排放在各分类标准下呈现两极化，城市居民消费碳排放显著高于乡村，东部地区居民家庭碳排放显著高于其他区域，高收入居民消费碳排放显著高于其他收入阶层。其中，收入水平导致的居民消费碳排放差异最大，其次是城乡和区域差异[24]。从增长的差异来看，居民消费支出增长及差异可能是居民消费碳排放增长并呈两极化的主要原因[12]；财产性收入和非财产性收入增加都使消费结构发生变化，食品、衣着、交通通信、教育文娱消费的比重上升最终引起家庭隐含碳排放增加[25]。据此，本文进一步提出研究假设2。
假设2：城乡居民消费增长是居民消费间接碳排放量增长的主要原因，因此未来居民消费碳排放量的变化有赖于经济等因素变化带来的家庭消费模式的改变。
1.3 经济性和社会性因素的变革驱动家庭消费方式的变革
收入、电子商务、跨境电商、智慧城市建设、失业金标准提高、民生性支出和普惠金融、安居、所得税改革、经济性和社会性因素在悄然驱动家庭消费模式发生变革。消费者的收入及所受宏观环境的影响会影响到消费者自身的决策，消费者收入一般被视为内生决定消费者支出的影响因素[26]。电子商务发展提升了支付便捷性从而促进家庭消费升级，且这一带动效应在东部、中部地区显著强于西部及东北地区[27]。跨境电商发展可以满足居民家庭高品质的消费，通过降低居民家庭成本和增强居民家庭购买力等方式促进居民家庭消费和消费升级[28]。智慧城市建设可以通过促进产业升级和物流发展进一步推动老年家庭消费[29]。失业金标准提高显著增加了失业者家庭消费，还显著改善了家庭消费结构，包括增加具有长期收益的发展型消费[30]。就业质量显著促进家庭消费升级，并且这一效应对城镇和东部地区更显著[31]。长期照护保险使得农村家庭消费水平实现了总体显著提高，预防性储蓄、居民健康和代际经济支持是其促进效应的重要途径，这种消费促进效应突出地体现在食品消费、日用品消费、通信消费中，其中非独生子女、收入高以及过去一年内有住院经历的农村家庭受长期照护保险政策的影响程度更大[32]。民生性财政支出和数字普惠金融可以消减机会不平等对居民家庭消费的抑制作用[33]。公共转移支付可以显著缓解家庭消费相对剥夺，主要通过降低家庭收入相对剥夺、改善收入不确定性和提高社会信任水平来实现这一影响。相比于民生性转移支付，生产性转移支付显著缓解了家庭消费相对剥夺；公共转移支付对贫困县和高抚养比家庭的消费相对剥夺影响更大[34]。居民拥有的住房数量越多、总市值越大，住房财富对消费的促进作用越明显，放宽信贷约束和减少预防性储蓄是住房财富促进消费的具体机制，特别是住房财富对文娱医疗等其他消费受影响较大；并且城市等级更高的城市住房财富对消费的促进作用更明显[35]。个人所得税改革对中等收入家庭的消费结构优化以及中低收入家庭的消费多样性提升具有显著促进作用，但对高收入家庭消费结构的改善和消费多样性提升没有影响[36]。城市创新水平提高会促进低技能家庭、中西部地区的消费居民消费增加[37]。交通等基础设施建设[38]也会影响到相关联碳排量的变化。综上，诸多因素诱发的消费方式变革带来一定程度的消费促进效应，伴随着能源类的消费也会发生变化。因此，本文进一步提出研究假设3。
假设3：家庭能源强度、能源结构也会随家庭消费模式的变化对影响居民生活碳排放量的变化产生影响。
2. 研究方法
2.1 城乡居民消费碳排放量的计算
居民消费碳排放包括直接碳排放和间接碳排放。针对综合评价居民消费影响的目的，本文分别通过碳排放因子法和CLA法计算了中国居民消费的直接碳排放量和间接碳排放量。
(1) 直接碳排放
直接碳排放是指城乡居民在日常生活中直接使用不同化石能源所产生的CO2排放量。采用IPCC提供的碳排放因子法估算城乡居民消费的直接碳排放量。
CD=n∑i=1EiFi (1) 其中，CD为城乡居民直接碳排放消费量，i表示不同类型的化石能源，Ei为化石能源消耗的类型(吨标准煤)，Fi为该类型能源的碳排放系数。考虑到数据的可得性和代表性，选择原煤、汽油、煤油、柴油、天然气和电力的消耗量来估算城乡居民的直接碳排放量。
(2) 间接碳排放
间接碳排放指隐含在城乡居民日常生活消费中的碳排放。采用CLA法计算城乡居民间接碳排放量。
CI=n∑i=1CiPiL, (2) 其中，CI表示城乡居民消费间接碳排放量，i表示不同的日常生活消费类型，Ci表示不同消费类型对应的碳排放系数，Pi表示不同消费类型的人均消费支出，L为总人口。一般而言，居民的日常生活消费包括食品、衣着、居住、家庭设备及用品、医疗保险、交通通信、文教娱乐和杂项消费8个类别，不同消费类别对应的碳排放系数参照了付云鹏等[39]的研究。
2.2 Tapio-LMDI脱钩努力模型
Tapio模型[40]不仅能够规避基期选择产生的不稳定性，而且可以进一步精确判定多种类型的脱钩状态，从而反映碳排放与经济发展的变化关系。因此，选择Tapio脱钩模型来测度各驱动因素与居民消费碳排放的脱钩水平。基于Tapio脱钩模型分别构建居民消费碳排放与居民人口、居民人均收入、能源结构、能源强度的脱钩指数。
驱动因素弹性
ε(C,R)=(Ct−C0)/C0(Rt−R0)/R0, (3) 其中，Rt为第t年驱动因素观测值，R0为初始年驱动因素观测值，驱动因素具体包括居民人口、居民人均收入、能源结构和能源强度，Ct为观测期间第t年碳排放，C0为初始年碳排放，在计算脱钩弹性系数基础上，参照经验系数判别碳排放驱动因素脱钩状态。
脱钩努力是指在不影响行业发展的前提下，所有直接或间接促进碳排放减少的措施。基于Tapio脱钩模型和LDMI分解模型可以定量得出城镇居民生活消费以及驱动因素和碳排放之间的脱钩弹性系数，但不能进一步定量衡量各驱动因素对碳排放脱钩努力的有效性和导致脱钩变化的内在机制。因此，为识别各驱动因素在脱钩努力模型中的作用，采用LMDI模型分析了各驱动因素对居民消费碳排放变化的贡献。该计算方法是基于环境压力定量计算的Kaya恒等方程导出的。本研究首先遵循人口、经济增长和能源消耗等Kaya恒等式识别所反映的环境压力的影响，并参考文献[41]，分别使用城乡能源强度、能源结构、居民人均收入和居民人口作为居民碳排放的驱动因素。居民碳排放计算公式：
C=C1+C2=∑i∑jCijEij×EijEi×EiIi×IiPi×pi, (4) 其中，C为总的碳排放量，C1和C2分别为总的城市居民消费碳排放量和农村居民消费碳排放量。对式(3)进行转化可得：
ΔC=ΔCt−ΔC0=ΔCR+ΔCES+ΔCEI+ΔCIN+ΔCP。 (5) 该式可用于反映居民消费碳排放量的变化。ΔC为居民家庭消费碳排放量的变化，ΔCR为能源碳排放系数；ΔCES为能源结构对应的效应值；ΔCEI为能源强度对应的效应值；ΔCIN为城乡居民人均收入对应的效应值；ΔCP为人口对应的效应值。ΔCES、ΔCEI、ΔCIN和ΔCP分别表征能源结构、能源强度、城乡居民人均收入、人口变化对居民消费碳排放量变化的贡献量。
将式(4)分解后，可得到各效应值的计算公式，具体驱动因素的分解计算公式：
ΔCES=∑ijCTij−C0ijlnCTij−lnC0ijln(ESTES0), (6) ΔCEI=∑ijCTij−C0ijlnCTij−lnC0ijln(EITEI0), (7) ΔCIN=∑ijCTij−C0ijlnCTij−lnC0ijln(INTIN0), (8) ΔCP=∑ijCTij−C0ijlnCTij−lnC0ijln(PTP0)。 (9) 进一步借鉴碳排放脱钩努力模型[42]的研究，本研究在Tapio脱钩模型和LDMI模型的基础上，构建脱钩努力模型，通过公式推导将城镇居民消费和碳排放的脱钩努力状态用年末人口效应(BP)、人均收入效应(BIN)、能源结构效应(BES)、能源强度效应(BEI)量化表示。构建脱钩努力模型：
ΔCt=ΔCP+ΔCIN+ΔCES+ΔCEI, (10) ΔYt=ΔYP+ΔYIN+ΔYES+ΔYEI, (11) Ct为居民碳排放剔除消费因素后的增长效应，ΔCP、ΔCIN、ΔCES、ΔCEI表示4种驱动因素对居民碳排放的贡献效应值，Yt为居民消费的增长效应，ΔYP、ΔYIN、ΔYES、ΔYEI表示4种驱动因素对居民消费的贡献效应值。
当Yi < 0时，将脱钩效应公式定义为：
Bi=−ΔCi−ΔYiΔYi。 (12) 当Yi>0时，将脱钩效应公式定义为：
Bi=−ΔCiΔYi。 (13) 其中，i为各驱动因素，BP、BIN、BES、BEI表示4种驱动因素各自做出的努力脱钩程度。
当ΔYt < 0时，将Bt(C, Y)定义为：
B(C,Y)t=−ΔCt−ΔYtΔYt。 (14) 当ΔYt>0时，Bt(C, Y)定义：
B(C,Y)t=−ΔCtΔYt。 (15) 其中，Bt(C, Y)表示碳排放和居民消费的脱钩努力总指标。当B < 0时，表示无脱钩努力，驱动因素不会促进碳排放的脱钩；当0 < B < 1时，表示弱脱钩努力，驱动因素对碳排放的脱钩的努力程度小于居民消费的促进作用; 当B>1时，表示强脱钩努力，驱动因素对碳排放的脱钩的努力具有明显促进作用。
2.3 基于ARIMA-GA-BP神经网络的碳排放预期趋势预测
研究通过ARIMA-GA-BP神经网络预测模型进行4种来源的城乡居民消费碳排放在2020—2030年间的影响因素分解预测(图 1)。
根据驱动因素存在可以通过规制手段进行控制的特征，研究通过差分自回归移动平均模型确定预测期内(Autoregressive Integrated Moving Average, ARIMA)居民消费碳排放影响因素。ARIMA模型：
yt=β0+β1yt−1+β2yt−2+⋯+βpyt−p+εt+θ1εt−1+θ2ε2−1+⋯+θpεt−p。 (16) GA-BP神经网络模型(图 1)可以根据主要影响因素的特点，通过选择(Slection)、交叉(Crossover)和变异(Multation)优化原有BP神经网络，将权值改为正向传播，可以同时提高运算效率及拟合优度，从而得到更为精准的运算结果。
2.4 变量设置与数据来源
本文根据居民碳排放的不同来源分类计算了城镇居民和农村居民的碳排放量，其中计算中国城乡居民直接碳消费所需的每日能源消费数据来自《中国能源统计年鉴》。计算中国城乡居民间接碳排放所需的消费数据来自《中国统计年鉴》。研究中使用的家庭能源消费支出分为直接能源消耗和间接能源消耗。直接能源消耗项目包括：水、电、燃料和取暖费用。间接能源消费项目包括：食品、烟酒、服装、住房、日用品、交通通讯、教育娱乐、医疗保健和其他项目，表 1，表 2列出变量分布特征类别系数。由表 2可知，在研究期间人口数变化差异较大，同时研究期间人均收入变化的差异大于人口数变化的差异。同时，在能源强度和能源结构方面也存在一定的差异。
表 1 居民日常生活消费碳排放系数Table 1. Carbon emission coefficient of residents' daily life consumption吨/万元 消费类别 碳排放系数 消费类别 碳排放系数 食品 0.66 医疗保健 0.9 衣着 1.21 交通通信 1.1 居住 2.21 文教娱乐 0.6 家庭设备及用品 0.52 杂项 0.3 表 2 变量特征Table 2. Variable characteristics指标名称 符号 平均值 标准差 最大值 最小值 能源强度 EI 137.002 7 69.309 5 260.861 6 48.582 0 人均收入 IN 15 460.74 11 129.17 2 690 42 359 年末人口 POP 67 594.68 10 089.79 88 426 52 376 能源结构 ES 0.349 6 0.063 7 0.479 2 0.183 8 3. 结果与讨论
3.1 碳排放测度结果
依据式(1)~式(2)对中国城乡居民消费直接与间接碳排放进行测算，并将测算结果进行总计，得到中国城乡居民消费碳排放总量。测度结果的分布特征如表 3所示，测度结果的居民消费碳排放总量、增长率及分项特征如图 2所示。由图 2A可知，从总量上看，中国城乡居民消费碳排放一直处于上升阶段，但增速在波动下降，这将为碳达峰和碳中和奠定良好基础。具体而言，2003年为56 617.88万t，2019年为376 832.32万t，年均增长率达到12.61%，仍有较大基数。造成增速波动下降的阶段性特征可能是以下原因造成：(1)造成2003—2007年期间中国城乡居民碳排放增长率保持上升趋势的原因一方面为，中国加入WTO后引致的国内经济高速发展，由此带来的居民收入水平上升产生了更多的消费需求，从而导致了居民消费碳排放增长率的上升。另一方面为，此期间人口数量的高速增长衍生出更多的生活能源消费需求，从而也导致了居民生活碳排放增长率的上升。(2)造成2008—2010年期间我国城乡居民生活消费碳排放增长率下降趋势主要原因在于2008年全球性金融危机对我国居民储蓄行为及收入水平的冲击从而抑制了消费需求。(3)造成2010—2011年间城乡居民消费碳排放增长率出现回升的原因主要在于金融危机影响的减弱带来的经济复苏。(4)造成2011—2019年间我国城乡居民消费碳排放增长率呈现波动下降趋势的主要原因：2011年后碳排放问题逐步得到重视，强有力的碳减排宣传提高了我国城乡居民的绿色低碳消费意识，从而导致了2011年后城乡居民消费碳排放增速的快速放缓。
表 3 测度结果的分布特征Table 3. Distribution characteristics of measurement results万吨 变量名称 变量符号 平均值 标准差 最大值 最小值 直接碳排放 CO2D 7 368.986 2 366.769 12 207.32 3 362.044 间接碳排放 CO2I 86 514.650 72 017.720 278 509.00 15 362.130 ![]()
图 2 2003—2019年中国城乡居民消费碳排放总量、增长率及分项构成Figure 2. Total carbon emissions from urban and rural consumption in China, growth rate and component composition from 2003 to 2019图 2B为2003—2019年我国城乡居民消费碳排放构成特征。从城乡构成来看，城镇居民消费碳排放总量显著高于乡村居民消费碳排放量，但差距近年来逐渐缩小。2003年城镇居民消费碳排放量为37 191.55万t，农村居民消费碳排放量为19 426.34万t，城镇居民消费碳排放量是农村居民消费碳排放量的1.91倍。到2019年，城镇居民消费碳排放量达到290 716.33万t，农村居民消费碳排放量为86 107.00万t，城镇居民消费碳排放量是农村居民消费碳排放量的3.38倍，差距进一步扩大。从溯源性来源来看，城乡居民消费碳排放均主要由间接碳排放构成，但城镇居民间接消费碳排放量占据90%以上，农村居民间接消费碳排放量相对比重较低在70%以上，这说明消费需求的差异会直接影响间接消费碳排放量的变化，而随着城乡协调发展及农村居民收入的提升更要注重绿色低碳消费意识的宣传，从而促进碳中和。此外，从变化趋势看，城乡间接碳排放量也是主要的增长来源，城乡直接消费碳排放量的增长幅度相对较小。农村直接和农村间接消费碳排放变化幅度相对较小。图 2A为2003—2019年我国城乡居民消费碳排放量变化特征。居民消费与碳排放量总体变化趋势相似，居民消费额与碳排放量总体上升，且居民消费碳排放在放缓，居民消费也在放缓，碳排放量变化有一定的滞后性，因此居民消费是减排的主要决定性因素，经济发展仍然要保障有一定的消费，因此考量其他因素对碳排放脱钩的影响，对驱动因素进一步做分项脱钩尤为重要。
3.2 驱动因素分解及脱钩效应
3.2.1 Tapio脱钩指数测度结果
本文使用总体Tapio脱钩指数和分项Tapio脱钩指数分析城乡居民碳排放与总量经济的脱钩状态及主要驱动因素的脱钩状态(图 3)。从图 3A的总体情况来看，城乡居民消费与碳排放总体脱钩系数呈现波动下降趋势，但是城市居民消费碳排放Tapio指数和乡村居民消费碳排放Tapio指数变动趋势与总脱钩系数的变化趋势有较大错峰差异。从图 3B中驱动因素的脱钩变化规律来看，总体而言，城乡人均收入、城镇年末人口、城镇能源结构对城乡居民消费碳排放的脱钩努力系数在研究期内呈现较为稳定的轻微波动状态，但城乡能源强度、乡村年末人口、乡村能源结构对城乡居民消费碳排放的脱钩努力系数波动幅度较大，其中年末人口在城镇和乡村的脱钩系数差异较大，城镇年末人口与居民消费碳排放脱钩状态在2003—2019年间稳定为扩张性负脱钩，年末人口与居民消费碳排放量都在增加，但居民消费碳排放增加的速度要快于年末人口增长的速度，Tapio-乡村POP虽然呈现明显波动增长，但脱钩系数恒小于0，脱钩状态稳定为强负脱钩，此时乡村年末人口在减少，但居民消费碳排放量却在增加，这是最不理想的状态。城乡能源强度与碳排放脱钩系数是4组驱动因素中脱钩系数波动最强烈的一组，Tapio-城镇EI在2004年开始下降，在2005—2006年达到最低(-7.44)，同时脱钩状态也在2004年由扩张性负脱钩变为强负脱钩，Tapio-乡村EI呈较频繁剧烈波动，脱钩系数分别在2003—2004、2008—2009、2012—2013、2014—2015、2015—2016实现峰值，同时乡村能源强度与居民消费碳排放呈现扩张性负脱钩的状态，其他时间段均为强负脱钩状态。城乡能源强度与居民消费碳排放的脱钩系数在2003—2019年间恒定为负，脱钩状态也均为强负脱钩。城乡人均收入和居民消费碳排放的脱钩系数波动情况相似，Tapio-城镇IN在1.2上下波动，Tapio-乡村IN在0.8上下波动，对应城镇人均收入和居民消费碳排放的脱钩状态在扩张性负脱钩和扩张连接之间变动，乡村人均收入和居民消费碳排放的脱钩状态逐渐在扩张连接和弱脱钩之间转换，可见人均收入确是影响碳排放的一个重要因素。综上所述，除人均收入的居民消费碳排放脱钩状态在三类脱钩状态之间变动，其余驱动因素与居民消费碳排放大多处于强负脱钩与扩张性负脱钩状态。可见各驱动因素与居民消费碳排放量的脱钩状态不理想，能源强度、能源结构、年末人口、人均收入与居民消费碳排放的协同脱钩仍有较大提升空间。因此还需要制定科学政策，合理利用能源，不断优化居民生活与居民消费碳排放的脱钩努力状态，实现碳达峰碳中和目标。
![]()
图 3 城乡居民消费碳排放Tapio指数Figure 3. Tapio index of carbon emissions from consumption of urban and rural residents3.2.2 城乡居民消费碳排放的影响因素分解
(1) 城乡居民消费碳排放分类特征分析
基于LMDI分解的结果对比了城乡居民生活消费碳排放量的变化趋势(图 4)。在2003—2019年间，城市直接和农村直接碳排放的变化均存在小的波谷，其中城市直接碳排放的变化的波谷期为2007—2008和2013—2014，农村直接碳排放量的变化的波谷期为2011—2012、2013—2014和2018—2019。并且，居民收入和能源结构在多数情况下是直接碳排放的驱动力。
![]()
图 4 2003—2019年间城乡居民生活消费碳排放变化趋势Figure 4. Trends of carbon emissions from living consumption of urban and rural residents during 2003—2019城市和农村间接碳排放处于一直上升阶段(图 5)，并未出现明显的波峰和波谷，收入和能源结构在多数情况下是驱动力，人口规模的驱动作用存在年份间的变化及后期的走强趋势。能源强度的影响在多数年份走弱。
(2) 驱动因素阶段性变化趋势
采用LMDI方法对2003—2009年城乡居民消费直接碳排放和间接碳排放驱动因素贡献率进行分解(图 5)。从总体趋势来看，抑制效应在后期有总体走强趋势，这在一定程度上城乡居民消费碳排放快速上升。分项来看，人口对城市居民消费碳排放变化的驱动作用呈倒U型趋势，2个峰值分别出现在2008—2009年和2013—2014年。农村人口减少对于农村居民消费碳排放带来的抑制作用正在逐步扩大。能源利用强度的影响在城市和农村都存在显著的下降趋势。能源利用结构的影响在不同年份呈波动趋势，而且总体上呈现上升趋势。人均收入的驱动作用整体呈上升趋势，这表明人口和人均收入具有一定的驱动作用，相较人口，人均收入对于城乡居民消费碳排放的驱动作用更为强烈，并且存在年际间的波动趋势。
![]()
图 5 2003—2019年间城乡居民生活消费碳排放驱动因素变化趋势(分项)Figure 5. Trends of driving factors of carbon emissions from living consumption of urban and rural residents during 2003—2019 (sub-items)此外，能源结构属于重要的波动性因素，表明能源结构的调整对于居民碳排放的变化具有重要影响。而能源强度在后期总体的抑制作用较为明显，出现乡村直接碳排放的驱动性作用主要与居住环境改善有关，但经过能源结构的调整，又在末期出现了明显的抑制作用。
3.2.3 驱动因素脱钩努力程度分析
图 6呈现了2003—2019年城镇与乡村的年末人口、人均收入、能源结构、能源强度对城乡居民消费碳排放的脱钩努力系数的变动情况。根据上述分析框架，中国城镇居民消费与碳排放的脱钩弹性指数取决于城镇居民的年末人口、人均收入、能源强度和能源结构4个因素的共同作用，基于上述4个因素构建的城镇居民消费碳排放驱动因素脱钩努力模型分解结果如图 6所示。
![]()
图 6 2003—2019年间城乡居民生活消费碳排放驱动因素变化趋势(分项)Figure 6. Trends of driving factors of carbon emissions from living consumption of urban and rural residents during 2003—2019 (sub-items)在2003—2019年，城镇BP稳定为负，但乡村BP恒定为正，且均处于0~1之间，年末人口驱动因素为乡村年末人口碳排放做出了弱脱钩努力，但没有为城镇碳排放脱钩做出努力，这是由于一些乡村劳动力向城镇流动寻求更好的就业机会引起的。同样的情况体现在能源结构驱动因素对碳排放脱钩的努力效应，这是因为随着乡村取暖能源的清洁化改造，乡村能源结构越来越优化，带来了多方面的环境社会效益。
消费水平在绝大多数时期是抑制碳排放和经济发展脱钩的主要因素，在很大程度上减缓了居民碳排放脱钩进程。Bt(C, Y)在2003—2019年城镇的脱钩努力效应值为负，对于城镇碳排放脱钩并未做出脱钩努力，仅在少数年份对于乡村碳排放脱钩曾做出弱脱钩努力。类似的情况出现在能源强度驱动因素对碳排放的脱钩努力中，城镇BEI在研究期间稳定为负，未做出脱钩努力，乡村BEI则在部分年份对于乡村碳排放脱钩做出弱脱钩努力。关于人均收入驱动因素对碳排放的脱钩影响，BIN在城乡均为负，在2003—2019年抑制了居民消费碳排放脱钩。这说明能源利用因素和需求性因素是目前消费碳减排时应当关注的重点。
3.3 趋势预测
3.3.1 情境设定与模型拟合结果
通过ADF检验测试序列的平稳性(t=-6.357 9，P=0.01)判断为序列平稳，确定模型中d=1，D=1。根据AIC准则和白噪声检验结果，本文选择了最优拟合模型。基于ARIMA模型确定的影响因素的预测输入集的整体趋势：城市人口将进一步上升，农村人口将进一步下降，能源强度将进一步下降，城市地区的能源结构将进一步改善，农村地区的能源结构还将经历一个煤炭占比上升的过程。城市地区和农村地区的人均收入水平都将进一步提升。这些驱动因素的趋势预测结果符合中国的“十四五”规划要求和老龄化社会中人口小幅增长但增速放缓的趋势。表 4为GA-BP神经网络模型拟合值和实际值的误差率情况，可以看到，由于模型的R2较高，总体误差较小，模型拟合效果较好。
表 4 GA—BP神经网络预测误差Table 4. Prediction error of GA-BP neural network碳排放类型 BP GA-BP MAPE/% R2 MAPE/% R2 城市直接 3.12 0.952 3 1.40 0.998 2 城市间接 6.75 0.911 0 2.37 0.998 6 农村直接 0.74 0.998 8 0.33 0.999 5 农村间接 2.26 0.980 5 1.08 0.999 3 3.3.2 模型预测结果及主要驱动因素趋势
图 7和表 5~表 6为模型预测结果。总体上，城市直接碳排放和乡村直接碳排放在2020—2030年均处于上升阶段，碳排放速率在2021年达到峰值之后出现下降趋势，城市直接碳排放增长率下降幅度较大，农村直接碳排放量下降幅度相对较缓。因此在2030年的碳达峰约束中，应当更加关注来自农村地区的居民取暖供电等能源供给方式。
表 5 2020—2030城乡居民直接消费碳排放LMDI分解结果Table 5. LMDI decomposition results of direct consumption carbon emissions of urban and rural residents from 2020 to 2030万吨 年度 ΔPOP ΔEI ΔES ΔIN 城市 农村 城市 农村 城市 农村 城市 农村 2020—2021 -2 485.24 -293.50 -4 033.43 -476.33 3 008.17 355.25 6 994.40 826.01 2021—2022 -2 675.53 -300.25 -4 428.39 -496.95 3 031.00 340.14 7 031.09 789.03 2022—2023 -2 863.67 -307.48 -4 842.20 -519.91 3 036.80 326.07 7 027.39 754.54 2023—2024 -3 043.92 -315.42 -5 266.61 -545.74 3 022.00 313.15 6 975.65 722.84 2024—2025 -3 212.24 -324.23 -5 700.29 -575.36 2 985.59 301.35 6 874.12 693.84 2025—2026 -3 366.54 -333.99 -6 142.70 -609.41 2 928.84 290.57 6 726.31 667.31 2026—2027 -3 506.11 -344.79 -6 597.27 -648.77 2 854.29 280.69 6 538.48 642.98 2027—2028 -3 630.78 -356.68 -7 069.60 -694.51 2 764.60 271.59 6 317.15 620.59 2028—2029 -3 740.08 -369.76 -7 567.84 -748.19 2 661.99 263.18 6 067.67 599.88 2029—2030 -3 833.23 -384.13 -8 097.40 -811.44 2 548.29 255.36 5 794.40 580.66 表 6 2020—2030城乡居民间接消费碳排放LMDI分解结果Table 6. LMDI decomposition results of indirect consumption carbon emissions of urban and rural residents from 2020 to 2030万吨 年度 ΔPOP ΔEI ΔES ΔIN 城市 农村 城市 农村 城市 农村 城市 农村 2020—2021 7 013.06 -2 485.24 -19 072.26 -4 033.43 -3 903.92 3 008.17 20 534.37 6 994.40 2021—2022 7 076.26 -2 675.53 -21 742.40 -4 428.39 -2 394.94 3 031.00 20 621.82 7 031.09 2022—2023 7 130.28 -2 863.67 -24 539.98 -4 842.20 -1 466.31 3 036.80 20 676.29 7 027.39 2023—2024 7 174.22 -3 043.92 -27 632.32 -5 266.61 -896.00 3 022.00 20 697.13 6 975.65 2024—2025 7 209.63 -3 212.24 -31 232.52 -5 700.29 -543.51 2 985.59 20 690.46 6 874.12 2025—2026 7 237.00 -3 366.54 -35 527.20 -6 142.70 -328.01 2 928.84 20 659.12 6 726.31 2026—2027 7 256.15 -3 506.11 -40 809.04 -6 597.27 -190.89 2 854.29 20 603.69 6 538.48 2027—2028 7 266.36 -3 630.78 -47 458.60 -7 069.60 -120.92 2 764.60 20 523.18 6 317.15 2028—2029 7 267.03 -3 740.08 -56 172.07 -7 567.84 -76.00 2 661.99 20 416.76 6 067.67 2029—2030 7 258.22 -3 833.23 -68 077.42 -8 097.40 -38.74 2 548.29 20 285.43 5 794.40 从表 5~表 6中的驱动因素的变化来看，相较2003—2019年，城乡人口因素的减碳效应将在未来年份进一步增强；能源强度的减碳效应也会进一步增强；能源结构带来的减碳效应则在进一步走弱；收入带来的影响略有走弱。上述结果表明，人口和消费需求因素将与能源性调整因素共同影响未来年份的家庭碳排放减排趋势。此外，对于直接碳排放减排而言，能源强度对城乡居民碳排放量具有明显抑制作用，是能长期稳定发挥碳减排效果的重要因素。人均收入因素带来的消费需求对城镇居民直接和间接碳排放较之前发挥的拉动效应正在逐渐放缓，人口因素对城镇居民间接碳排放的驱动效应以及对乡村居民直接和间接碳排放的抑制效应都在增强，这与城市化进程具有明显关系，这也说明城市化的进程有助于居民消费碳排放的下降和碳中和目标的实现。
虽然在2020—2030年的未来十年内，人口变化趋势、居民生活能源消耗强度、能源消耗结构、人均收入因素对城乡居民直接碳排放和间接碳排放的影响效应大致相同，但对比城市和乡村来看，能源结构因素对城乡居民直接碳排放的影响效应在可预见的未来刚好相反。能源结构对城镇居民碳排放的抑制作用会逐渐减弱，但能源强度对城乡居民间接碳排放的抑制强度呈现稳定增强的趋势，对城镇居民碳排放的抑制效应值为358 452.1，将近是对乡村居民间接碳排放抑制效应值的6倍，这是由于相对于乡村，城镇的能源使用结构更高效。因此，对于城市而言开发利用发新能源，调整能源结构，会显著抑制居民直接消费碳排放的上升，进而促进碳中和目标的实现。
4. 多措施并行的消费升级减碳可期
根据前述分析结果并结合目前消费升级的需求，在能源消费和绿色消费的多种模式下实现家庭碳排放与经济的正向脱钩，进而实现减碳与消费模式优化的同步。
第一，继续优化目前的能源消费结构，提高能源利用效率。通过不断加大清洁能源的利用比例，逐渐减少对传统化石能源的依赖，同时积极推广节能技术和设备，提高能源利用效率。降低能源利用强度，可以通过立法和政策引导，限制高能耗产业的发展，鼓励低能耗、高附加值产业的发展，同时加大对节能技术和产品的研发投入，通过助推技术革新提高整体能源利用效率。加大对低收入家庭的扶持力度，提高其生活水平，降低能源消费强度。
第二，加快产业结构转型升级。进一步扩大第三产业占比，引进优质项目，降低工业特别是工业中消耗巨大化石能源的工业企业比例。通过建立和完善碳市场，推动能源产业结构调整；优化产业结构，提高第三产业比重，降低高耗能高排放行业比重；改革能源结构，提高非化石能源比重，发展可再生能源；加强绿色技术创新，推动减污降碳技术应用；并增强国际合作，共同推动绿色产业发展。
第三，合理控制人口规模并提高人口素质，倡导新消费风尚。通过人口素质的提升，低碳理念的宣传和教育的强化，公众低碳意识和低碳思维的养成，更加合理的消费模式也会逐渐占据主流。同时，人口合理流动，也可以通过缓解部分地区的人口压力增大带来消费碳排放上升。此外，促进居民消费观点的革新，倡导新消费风尚形成。针对居民的消费需求的可以释放，政府也可以通过财政补贴、税收优惠等方式，鼓励家庭购买节能和能耗低的科技类便利生活的低碳产品。针对城乡不同来源消费碳排放和驱动因素脱钩的未理想化状态，应当继续调整收入分配，可以通过税收、社会保障等手段，调节收入分配，降低城乡收入差距。
第四，基于碳排放交易权的完善思想，进行产品段的溯源减碳和居民消费减碳的奖励计划。通过建立碳排放权交易市场，将碳排放权作为一种商品进行交易，促使企业合理碳排放，不将减排带来的成本负担转嫁给消费者。通过对居民消费进行碳足迹溯源，对于单位消费平均碳排放较低的家庭给予一定的奖励。
通过以上政策的体系化综合运用，可以进一步优化我国现有的能源结构，降低城乡居民消费碳排放的总量，促进城乡协调发展，实现人民满意的绿色低碳发展模式。
5. 结论
中国经济社会发展仍然处于高质量发展的关键时期，城市化和工业化仍是目前发展的主要阶段性特征，同时信息化和智能化是目前发展的重要趋势。一切发展都是以人民为中心的发展，满足人民日益增长的美好生活需要，以及推进与大自然和谐共处的生态文明建设是实现以人民为中心的高质量发展中同等重要的两个目标。通过倡导低碳绿色消费，缩小城乡差距及实现共同富裕的方式可以促进上述诸目标的实现。本文通过系统性分析中国城乡居民消费碳排放、主要驱动因素的变化趋势，从驱动因素的分解、脱钩状况分析表明：未来(2020—2030年)居民消费碳排放将趋于碳达峰并走向碳中和。关键驱动因素走势分析表明：诸方面均得出了较为乐观的结论。同时，本文也得出了应当综合考虑人口、能源结构、人均收入、能源利用强度等诸多因素在城乡居民消费碳排放量变化中的不同作用，因势利导，发挥集约利用资源、集聚效应、绿色技术驱动效应及缩小城乡消费结构差距的结论。基于以上研究结论，本文提出了消费升级和减碳可期的针对性措施。研究结果将有助于各地的碳达峰碳中和实施方案和中央的统筹性绿色低碳包容性增长路线的落实。
-
![]()
图 2 2003—2019年中国城乡居民消费碳排放总量、增长率及分项构成
Figure 2. Total carbon emissions from urban and rural consumption in China, growth rate and component composition from 2003 to 2019
![]()
图 3 城乡居民消费碳排放Tapio指数
Figure 3. Tapio index of carbon emissions from consumption of urban and rural residents
![]()
图 4 2003—2019年间城乡居民生活消费碳排放变化趋势
Figure 4. Trends of carbon emissions from living consumption of urban and rural residents during 2003—2019
![]()
图 5 2003—2019年间城乡居民生活消费碳排放驱动因素变化趋势(分项)
Figure 5. Trends of driving factors of carbon emissions from living consumption of urban and rural residents during 2003—2019 (sub-items)
![]()
图 6 2003—2019年间城乡居民生活消费碳排放驱动因素变化趋势(分项)
Figure 6. Trends of driving factors of carbon emissions from living consumption of urban and rural residents during 2003—2019 (sub-items)
表 1 居民日常生活消费碳排放系数
Table 1 Carbon emission coefficient of residents' daily life consumption
吨/万元 消费类别 碳排放系数 消费类别 碳排放系数 食品 0.66 医疗保健 0.9 衣着 1.21 交通通信 1.1 居住 2.21 文教娱乐 0.6 家庭设备及用品 0.52 杂项 0.3 
下载: 导出CSV
表 2 变量特征
Table 2 Variable characteristics
指标名称 符号 平均值 标准差 最大值 最小值 能源强度 EI 137.002 7 69.309 5 260.861 6 48.582 0 人均收入 IN 15 460.74 11 129.17 2 690 42 359 年末人口 POP 67 594.68 10 089.79 88 426 52 376 能源结构 ES 0.349 6 0.063 7 0.479 2 0.183 8
下载: 导出CSV
表 3 测度结果的分布特征
Table 3 Distribution characteristics of measurement results
万吨 变量名称 变量符号 平均值 标准差 最大值 最小值 直接碳排放 CO2D 7 368.986 2 366.769 12 207.32 3 362.044 间接碳排放 CO2I 86 514.650 72 017.720 278 509.00 15 362.130
下载: 导出CSV
表 4 GA—BP神经网络预测误差
Table 4 Prediction error of GA-BP neural network
碳排放类型 BP GA-BP MAPE/% R2 MAPE/% R2 城市直接 3.12 0.952 3 1.40 0.998 2 城市间接 6.75 0.911 0 2.37 0.998 6 农村直接 0.74 0.998 8 0.33 0.999 5 农村间接 2.26 0.980 5 1.08 0.999 3
下载: 导出CSV
表 5 2020—2030城乡居民直接消费碳排放LMDI分解结果
Table 5 LMDI decomposition results of direct consumption carbon emissions of urban and rural residents from 2020 to 2030
万吨 年度 ΔPOP ΔEI ΔES ΔIN 城市 农村 城市 农村 城市 农村 城市 农村 2020—2021 -2 485.24 -293.50 -4 033.43 -476.33 3 008.17 355.25 6 994.40 826.01 2021—2022 -2 675.53 -300.25 -4 428.39 -496.95 3 031.00 340.14 7 031.09 789.03 2022—2023 -2 863.67 -307.48 -4 842.20 -519.91 3 036.80 326.07 7 027.39 754.54 2023—2024 -3 043.92 -315.42 -5 266.61 -545.74 3 022.00 313.15 6 975.65 722.84 2024—2025 -3 212.24 -324.23 -5 700.29 -575.36 2 985.59 301.35 6 874.12 693.84 2025—2026 -3 366.54 -333.99 -6 142.70 -609.41 2 928.84 290.57 6 726.31 667.31 2026—2027 -3 506.11 -344.79 -6 597.27 -648.77 2 854.29 280.69 6 538.48 642.98 2027—2028 -3 630.78 -356.68 -7 069.60 -694.51 2 764.60 271.59 6 317.15 620.59 2028—2029 -3 740.08 -369.76 -7 567.84 -748.19 2 661.99 263.18 6 067.67 599.88 2029—2030 -3 833.23 -384.13 -8 097.40 -811.44 2 548.29 255.36 5 794.40 580.66
下载: 导出CSV
表 6 2020—2030城乡居民间接消费碳排放LMDI分解结果
Table 6 LMDI decomposition results of indirect consumption carbon emissions of urban and rural residents from 2020 to 2030
万吨 年度 ΔPOP ΔEI ΔES ΔIN 城市 农村 城市 农村 城市 农村 城市 农村 2020—2021 7 013.06 -2 485.24 -19 072.26 -4 033.43 -3 903.92 3 008.17 20 534.37 6 994.40 2021—2022 7 076.26 -2 675.53 -21 742.40 -4 428.39 -2 394.94 3 031.00 20 621.82 7 031.09 2022—2023 7 130.28 -2 863.67 -24 539.98 -4 842.20 -1 466.31 3 036.80 20 676.29 7 027.39 2023—2024 7 174.22 -3 043.92 -27 632.32 -5 266.61 -896.00 3 022.00 20 697.13 6 975.65 2024—2025 7 209.63 -3 212.24 -31 232.52 -5 700.29 -543.51 2 985.59 20 690.46 6 874.12 2025—2026 7 237.00 -3 366.54 -35 527.20 -6 142.70 -328.01 2 928.84 20 659.12 6 726.31 2026—2027 7 256.15 -3 506.11 -40 809.04 -6 597.27 -190.89 2 854.29 20 603.69 6 538.48 2027—2028 7 266.36 -3 630.78 -47 458.60 -7 069.60 -120.92 2 764.60 20 523.18 6 317.15 2028—2029 7 267.03 -3 740.08 -56 172.07 -7 567.84 -76.00 2 661.99 20 416.76 6 067.67 2029—2030 7 258.22 -3 833.23 -68 077.42 -8 097.40 -38.74 2 548.29 20 285.43 5 794.40
下载: 导出CSV
-
[1] 中华人民共和国国务院. 2030年前碳达峰行动方案[EB/OL]. (2021-10-26)[2024-05-30]. https://www.gov.cn/zhengce/content/2021-10/26/content_5644984.htm. [2] LIU Z, DENG Z, DAVIS S J, et al. Global carbon emissions in 2023[J]. Nature Reviews Earth & Environment, 2024, 5(4): 253-254.
[3] 联合国环境规划署. 2023年排放差距报告[R]. (2023-11-20)[2024-05-30]. https://www.unep.org/zh-hans/resources/2023nianpaifangchajubaogao. [4] 张志强. 中国居民生活碳排放评估报告[M]. 北京: 科学出版社, 2019. [5] HERENDEEN R, TANAKA J. Energy cost of living[J]. Energy, 1976, 1(2): 165-178. doi: 10.1016/0360-5442(76)90015-3
[6] 耿涌, 董会娟, 郗凤明, 等. 应对气候变化的碳足迹研究综述[J]. 中国人口·资源与环境, 2010, 20(10): 6-12. GENG Y, DONG H J, XI F M, et al. Review of carbon footprint studies in response to climate change[J]. China Population, Resources and Environment, 2010(10): 6-12.
[7] GUO D, CHEN H, LONG R, et al. An integrated measurement of household carbon emissions from a trading-oriented perspective: a case study of urban families in Xuzhou, China[J]. Journal of Cleaner Production, 2018, 188: 613-624. doi: 10.1016/j.jclepro.2018.04.025
[8] 计志英, 赖小锋, 贾利军. 家庭部门生活能源消费碳排放: 测度与驱动因素研究[J]. 中国人口·资源与环境, 2016, 26(5): 64-72. doi: 10.3969/j.issn.1002-2104.2016.05.008 JI Z Y, LAI X F, JIA L J. Carbon emissions from household energy consumption in the household sector: measurement and driver factors[J]. China Population, Resources and Environment, 2016, 26(5): 64-72. doi: 10.3969/j.issn.1002-2104.2016.05.008
[9] 华怡婷, 石宝峰. 互联网使用与家庭间接碳排放: 测度及影响因素分析[J]. 重庆大学学报(社会科学版), 2023, 29(1): 117-134. HUA Y T, SHI B F. Internet use and household indirect carbon emissions: an analysis of measures and influencing factors[J]. Journal of Chongqing University(Social Science Edition), 2023, 29(1): 117-134.
[10] 贾晋, 温虎, 张齐圣. 正规信贷对农村家庭消费隐含碳排放的影响效应分析——来自中国农村家庭追踪调查数据的证据[J]. 农村经济, 2022(9): 98-106. JIA J, WEN H, ZHANG Q S. Analysis of the effect of formal credit on the consumption of rural households: Evidence from the tracking survey data of rural households in China[J]. Rural Economy, 2022(9): 98-106.
[11] 孙悦. 居民消费碳排放及其影响因素研究——基于家庭生命周期视角的实证分析[J]. 人口学刊, 2022, 44(5): 86-98. SUN Y. Research on household consumption carbon emission and its influencing factors: empirical analysis based on family life cycle perspective[J]. Journal of Demographic Studies, 2022, 44(5): 86-98.
[12] 尚梅, 徐紫瑞, 闫晓霞, 等. 中国家庭居民消费碳排放动态演进及驱动因素研究[J]. 生态经济, 2023, 39(3): 23-30. SHANG M, XU Z R, YAN X X, et al. Research on the dynamic evolution and driving factors of carbon emission of Chinese residents[J]. Ecological Economy, 2023, 39(3): 23-30.
[13] 陈英姿, 胡亚琪. 人口老龄化对居民消费碳排放的影响路径研究[J]. 人口学刊, 2022, 44(5): 99-112. CHEN Y Z, HU Y Q. Research on the influence path of population aging on the carbon emission of household consumption[J]. Demographic Journal, 2022, 44(5): 99-112.
[14] 尚梅, 张风斌, 胡振. 家庭异质性视角下城乡居民家庭碳排放研究——以陕西为例[J]. 生态经济, 2021, 37(2): 13-21;34. SHANG M, ZHANG W B, HU Z. Research on carbon emission by consumption of urban and rural residents from the perspective of family heterogeneity: take Shaanxi Province as an example[J]. Ecological Economy, 2021, 37(2): 13-21;34.
[15] 王亚红, 蔡亚平. 农户贫困脆弱性、收入水平和消费升级对居民消费碳排放的影响研究[J]. 中国物价, 2023(2): 55-58. WANG Y H, CAI Y P. Research on the impact of peasant household poverty vulnerability, income level and consumption upgrading on carbon emissions of household consumption[J]. China Prices, 2023(2): 55-58.
[16] 姜璐, 丁博文鹏, 周学伟, 等. 青海高原西宁城镇社区家庭能耗直接碳排放研究[J]. 地理科学, 2023, 43(1): 119-129. JIANG L, DING B W P, ZHOU X W, et al. Research on direct carbon emission of household energy consumption in Urban Community in Xining, Qinghai Plateau[J]. Geographic Sciences, 2023, 43(1): 119-129.
[17] CHEN Y, JIANG L. Influencing factors of direct carbon emissions of households in urban villages in Guangzhou, China[J]. International Journal of Environmental Research and Public Health, 2022, 19(24): 17054/1-12. doi: 10.3390/ijerph192417054
[18] 李治国, 王杰. 中国城乡居民消费碳排放核算及驱动因素分析[J]. 统计与决策, 2021, 37(20): 48-52. LI Z G, WANG J. Accounting of carbon emissions and driving factors of urban and rural residents in China[J]. Statistics and Decision-making, 2021, 37(20): 48-52.
[19] ZHANG S, SHI B, JI H. How to decouple income growth from household carbon emissions: a perspective based on urban-rural differences in China[J]. Energy Economics, 2023, 125: 106816/1-14. doi: 10.1016/j.eneco.2023.106816
[20] 李娜娜, 赵月, 王军锋. 中国城市居民收入和储蓄增长对家庭能耗碳排放的区域异质性及政策应对[J]. 生态经济, 2022, 38(1): 30-35. LI N N, ZHAO Y, WANG J F. Regional heterogeneity and policy response to household energy consumption and carbon emissions from the growth of income and savings of urban residents in China[J]. Ecological Economy, 2022, 38(1): 30-35.
[21] HUANG S, YANG L, YANG C, et al. Obscuring effect of income inequality and moderating role of financial literacy in the relationship between digital finance and China's household carbon emissions[J]. Journal of Environmental Management, 2024, 351: 119927/1-13. doi: 10.1016/j.jenvman.2023.119927
[22] CHENG S, WANG K, MENG F, et al. The unanticipated role of fiscal environmental expenditure in accelerating household carbon emissions: evidence from China[J]. Energy Policy, 2024, 185: 113962/1-15. doi: 10.1016/j.enpol.2023.113962
[23] CHEN X P, WANG G K, GUO X J, et al. An analysis based on SD model for energy-related CO2 mitigation in the Chinese household sector[J]. Energies, 2016, 9(12): 1062/1-5. doi: 10.3390/en9121062
[24] AN K X, ZHANG S H, HUANG H, et al. Socioeconomic impacts of household participation in emission trading scheme: a computable general equilibrium-based case study[J]. Applied Energy, 2021, 288: 116647/1-12. doi: 10.1016/j.apenergy.2021.116647
[25] 赵润菲. 收入来源、消费结构与家庭隐含碳排放——基于CHFS数据的实证分析[J]. 时代经贸, 2023, 20(9): 25-31. ZHAO R F. Income sources, consumption structure and household implied carbon emissions: empirical analysis based on CHFS data[J]. Times economy and Trade, 2023, 20(9): 25-31.
[26] MENG W L, YUAN G C, SUN Y P. Expansion of social networks and household carbon emissions: evidence from household survey in China[J]. Energy Policy, 2023, 174: 113460/1-13. doi: 10.1016/j.enpol.2023.113460
[27] 冯建平. 电子商务、支付便捷性对家庭消费升级的影响效应研究[J]. 商业经济研究, 2024(8): 61-64. FENG J P. Study on the effect of e-commerce and payment convenience on family consumption upgrading[J]. Business Economics Research, 2024(8): 61-64.
[28] 彭湣皓. 跨境电商发展对我国居民家庭消费的溢出效应——基于2017—2021年家庭追踪调查数据的实证[J]. 商业经济研究, 2024(2): 71-74. PENG M H. The spillover effect of cross-border e-commerce development on Chinese household consumption: based on the empirical evidence of 2017—2021 family tracking survey data[J]. Business Economics Research, 2024(2): 71-74.
[29] 赵方方. 智慧城市建设对老年家庭消费的影响研究——基于智慧城市试点的准自然实验[J]. 商业经济研究, 2024(8): 69-72. ZHAO F F. Research on the influence of smart city construction on the consumption of elderly families: quasi-natural experiment based on the smart city pilot[J]. Business Economics Research, 2024(8): 69-72.
[30] 谢强, 唐珏, 吕思诺, 等. 失业保险、流动性约束及家庭消费[J]. 经济学, 2024, 24(2): 481-498. XIE Q, TANG J, LU S N, et al. Unemployment insurance, liquidity constraints, and household consumption[J]. Economics, 2024, 24(2): 481-498.
[31] 包文, 赵春明. 就业质量促进家庭消费升级的理论与实证分析[J]. 财经理论与实践, 2024, 45(2): 121-127. BAO W, ZHAO C M. Theory and empirical analysis of employment quality to promote household consumption upgrading[J]. Financial Theory and Practice, 2024, 45(2): 121-127.
[32] 朱健, 李伟, 李子芳. 长期照护保险对农村家庭消费水平的影响——基于CHARLS数据的实证分析[J]. 财经理论与实践, 2024, 45(2): 104-111. ZHU J, LI W, LI Z F. The effect of long-term care insurance on the consumption level of rural households: an empirical analysis based on CHARLS data[J]. Financial Theory and Practice, 2024, 45(2): 104-111.
[33] 杨碧云, 梁子昊, 易行健, 等. 机会不平等影响居民消费的机制与效应——基于CFPS数据的经验研究[J]. 南开经济研究, 2024(3): 20-40. YANG B Y, LIANG Z H, YI Y J, et al. Mechanism and effect of unequal opportunity affecting household consumption: empirical study based on CFPS data[J]. Nankai Economic Research, 2024(3): 20-40.
[34] 解垩, 高梦桃. 公共转移支付对家庭消费相对剥夺的影响[J]. 中南财经政法大学学报, 2024(2): 40-51. JIE E, GAO M T. The effect of public transfer payments on the relative deprivation of household consumption[J]. Journal of Zhongnan University of Economics and Law, 2024(2): 40-51.
[35] 班梓瑜, 任羽卓. 住房财富对城镇居民消费的影响——基于CHFS数据分析[J]. 商业经济研究, 2024(5): 51-54. BAN Z Y, REN Y Z. The impact of housing wealth on urban resident consumption: is based on the CHFS data analysis[J]. Business Economics Research, 2024(5): 51-54.
[36] 王平, 刘淼淼, 陈建东, 等. 2019年个人所得税改革对家庭消费升级的影响研析[J]. 税务研究, 2024(3): 93-101. WANG P, LIU M M, CHEN J D, et al. Analysis of the impact of personal income tax reform on family consumption upgrading in 2019[J]. Tax Research, 2024(3): 93-101.
[37] 刘娜, 陈安平. 创新能促进居民消费吗?[J]. 消费经济, 2023, 39(2): 57-69. LIU N, CHEN A P. Can innovation boost household consumption?[J]. Consumer Economy, 2023, 39(2): 57-69.
[38] 代洪娜, 曾煜磊, 施庆利, 等. 碳达峰与碳中和背景下省域高速公路网碳排放精细化测算方法[J]. 华南师范大学学报(自然科学版), 2023, 55(4): 1-13. doi: 10.6054/j.jscnun.2023044 DAI H N, ZENG Y L, SHI Q L, et al. Fine calculation method of carbon emission of provincial expressway network under the background of carbon peak and carbon neutrality[J]. Journal of South China Normal University(Natural Science Edition), 2023, 55(4): 1-13. doi: 10.6054/j.jscnun.2023044
[39] 付云鹏, 马树才, 宋宝燕. 中国城乡居民消费碳排放差异及影响因素——基于面板数据的实证分析[J]. 经济问题探索, 2016(10): 43-50. FU Y P, MA S C, SONG B Y. Differences in carbon emission consumption between urban and rural residents and influencing factors: empirical analysis based on panel data[J]. Exploration of Economic Issues, 2016(10): 43-50.
[40] 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.
[41] 文扬, 马中, 吴语晗, 等. 京津冀及周边地区工业大气污染排放因素分解——基于LMDI模型分析[J]. 中国环境科学, 2018, 38(12): 4730-4736. WEN Y, MA Z, WU Y H, et al. Decomposition of industrial air pollution emission factors in the Beijing-Tianjin-Hebei region and its surrounding areas: based on LMDI model analysis[J]. Environmental Science in China, 2018, 38(12): 4730-4736.
[42] WANG Q, JIANG R, ZHAN L. Is decoupling economic growth from fuel consumption possible in develop countries?-A comparison of China and India[J]. Journal of Cleaner Production, 2019, 229: 806-817.
计量
- 文章访问数: 48
- HTML全文浏览量: 7
- PDF下载量: 18
