下载:
-
中国是世界上最大的CO2排放国，面临着严峻的碳减排压力。在2020年第75届联合国大会期间，中国政府承诺到2030年和2060年分别年实现碳达峰与碳中和目标①，碳减排压力进一步加大。因此，进一步探寻CO2减排路径仍然是中国环境治理工作的重中之重。传统上，国内外CO2减排的重点主要在工业生产领域。随着该领域节能减排措施的推广和落实，其减排的边际效应逐渐递减[1]。有学者指出，工业生产的最终目的是消费，快速增长的居民消费日益成为各国CO2和污染物排放增加的关键驱动因素[2-3]。据统计，法国和卢森堡居民消费所产生的碳排放已分别占工业碳排放的90%和87%[4-5]。中国居民消费碳排放目前占全国碳排放总量的50%左右[6]，随着经济的发展，该比重将进一步增加[7]。因此，研究如何从居民消费视角挖掘CO2减排潜力，对中国实现“双碳”目标具有重要的现实意义。
根据核算边界的不同，居民消费CO2排放可分为直接排放和间接排放两个部分，前者指居民日常生活及交通出行过程中因直接消耗能源所产生的排放，后者指隐含在居民消费的商品和服务生产过程的排放[2]。国内外研究均表明，居民消费间接碳排放远高于直接排放。例如，美国居民消费间接碳排放是直接排放的两倍[8]，对日本和英国的研究也得出类似结论[9-10]。有关学者指出，中国居民消费间接碳排放在2010年已占居民消费排放总量的84%，且呈上升趋势[11-12]。此外，相较于直接排放，居民消费间接排放部门来源多样，且隐含于复杂的产品和服务上游产业链，其核算与减排难度更大。
由此，本文将系统核算当前中国居民消费造成的间接CO2排放，分析其在居民消费上游产业链中的分布特征，在此基础上探寻居民消费间接CO2的关键减排路径，并提出相应的减排策略。本文的贡献和创新体现在以下两个方面：第一，详细剖析中国居民消费间接CO2排放的行业结构、产业层分布特征和产业链传导机制，对居民消费间接碳排放进行全面“问诊”；第二，基于最大减排效率和产业协同原则，探寻居民消费间接CO2排放关键减排路径，并针对关键路径“对症下药”，提出减排措施。
-
既往有关居民消费CO2排放的论文较为丰富，主要集中于间接CO2排放核算及其影响因素分解，多侧重时间序列分析，对某一年度排放的行业分布和产业链传递特征关注较少，探寻关键减排路径的研究更少，本文将其归纳为以下几个方面：
首先，既往研究在全球、国家及城市等不同尺度对居民消费碳排放进行了核算，核算方法多采用排放系数法、生命周期评价（Life-Cycle Assessment, LCA）和投入产出分析（Input-Output Analysis, IOA）[12-13]。其中，排放系数法主要用于计算能源消费引起的直接排放，LCA和IOA方法主要用于计算间接排放。LCA方法要求获取居民消费品从生产到报废整个生命周期过程的排放清单，在实际计算过程中难度较大，其核算结果往往被认为存在一定的截断误差[14-15]。IOA方法通过采用投入产出表构造的完全排放系数，可完整捕捉产品和服务上游产业链产生的排放，成为当前计算居民消费间接CO2排放的主流方法。应用该方法，Ivanova等[3]开展2007年全球各国居民消费引起的环境足迹（含CO2排放），发现居民消费碳排放占全球排放的60%以上，富裕国家的人均居民消费碳排放远高于贫穷国家。在国家层面，Das和Paul[16]对印度从1993—2007年的居民消费碳排放进行了核算，发现研究期内碳排放增长了66%。其他学者也针对英国[17]、丹麦[18]和泰国[19]等国家进行了相关研究，均侧重分析长时间序列内居民消费间接碳排放的变化特征。也有学者也对中国居民消费碳排放进行了系统核算，并分析了城乡之间、不同收入家庭之间碳排放特征差异[4][20]。
近年来，随着投入产出编制技术和微观调查数据的发展，居民消费碳排放的分析视角更为微观。比如，Jiang等[21]结合IOA模型和城市家庭月度消费数据，计算了2011年日本51个主要城市家庭消费产生的直接和间接CO2排放量，并分析了年龄、收入和受教育水平等家庭特征对碳排放的影响。通过编制嵌套投入产出模型（nested IO），Yin等[22]分析了2002—2012年北京市居民消费间接CO2排放的地域来源，包含本地、国内和国外三个层次。可见，核算结果的不断精确和研究视角的不断深入是居民消费碳排放研究工作的未来发展方向。
其次，既往研究侧重从宏观视角分析居民消费碳排放的影响因素，以寻求碳减排途径。在因素分析方法选择上，以往研究主要采用指数分解分析[1]和结构分解分析方法[5][23]。其中，指数分解分析多基于Kaya恒等式，分析居民消费碳排放受能源碳强度、单位GPD能源强度和人均GDP等因素的影响大小[24]。例如，Shi等[25]采用对数平均迪氏指数法（Logarithmic Mean Divisia Index, LMDI）研究了国家和地区居民消费碳排放的驱动力，并分析造成地区差异的原因。结构分解分析方法（Structural Decomposition Analysis, SDA）一般基于投入产出模型，将居民消费碳排放影响因素分解为消费水平、消费结构、碳排放强度和中间生产技术等。该模型已经应用于美国、英国和印度等国家居民消费CO2排放研究中[16][26-27]，多数研究发现消费水平和结构对碳排放具有正向效应，而排放强度和中间生产技术具有负向效应[28-29]。同样地，国内学者也采用该方法分析了中国居民消费碳排放的影响因素及其发展路径[5]。
然而，居民消费间接CO2排放隐含于复杂的国民经济网络，因素分解仅从宏观上分析排放的驱动因素，未对国民经济网络这一“黑箱”进行系统结构分析，难以针对居民消费上游产业链提出减排措施。采用IOA计算居民消费间接CO2排放，为分析产业链不同路径和节点的排放量及特征提供了得天独厚的条件[30]。为寻求减排路径，有学者基于IOA模型发展出结构路径解析（Structural Path Analysis, SPA）方法，可追溯产业链不同层级及具体路径上的环境排放[31]。采用该方法，谢锐等[32]识别出中国碳排放增长的关键路径。需要注意的是，尽管SPA方法可以对不同产业路径上的CO2排放进行计算和排序，但无法回答哪些路径最具有减排效率，即通过自身减排可以更大幅度降低居民消费总碳排放的路径[33-34]。考虑到资金、技术和人力的有限性，必须从数目庞大的产业链条中选取最具减排效率的产业路径。
综上，既往研究更注重长时间序列居民消费碳排放核算，且关注年份在2012年之前，难以反映当前中国实际情况；既往研究多以宏观因素分析为主，对关键减排路径的研究相对缺乏。因此，本文将基于2017年全国投入产出表，构建IOA模型，对中国居民消费间接CO2进行系统核算，分析其部门结构特征。在此基础上，结合产业层分解、结构路径解析和敏感性分析等方法解构居民消费上游产业链中不同产业层和路径上的CO2排放，识别关键减排路径，并提出相应的减排策略。
-
本文采用投入产出分析（IOA）核算中国居民消费引起的间接CO2排放。借助投入产出表，IOA可以追溯最终消费品完整的上游产业链，从而准确核算最终消费引起的间接排放。根据投入产出表中的行等式关系，即中间需求+最终需求=总产出，可得以下公式
$$ \boldsymbol{X}=\boldsymbol{A}\boldsymbol{X}+{\boldsymbol{Y}}^{d} $$ (1) 其中，X为国民经济总产出向量；A为直接消耗系数矩阵，即某部门生产一单位货币价值产品而消耗其他部门产品的货币价值量；
$ {\boldsymbol{Y}}^{d} $ 为最终需求向量。对上式进行变化，可以求解X为
$$ \boldsymbol{X}={(\boldsymbol{I}-\boldsymbol{A})}^{-1}{\boldsymbol{Y}}^{d} $$ (2) 其中，I为单位矩阵；
$ {(\boldsymbol{I}-\boldsymbol{A})}^{-1} $ 为列昂惕夫逆矩阵，它表示增加某部门一单位最终需求时对国民经济系统各部门直接和间接的诱发效果。通过引入各部门直接CO2排放强度矩阵t，即可求得居民消费引起的间接排放
$$ {t}_{i}={E}_{i}/{X}_{i} $$ (3) $$ \boldsymbol{T}={\boldsymbol{t}(\boldsymbol{I}-\boldsymbol{A})}^{-1}\boldsymbol{Y} $$ (4) 其中，
$ {t}_{i} $ 为$ \boldsymbol{t} $ 矩阵的元素，即各部门直接CO2排放强度；$ {E}_{i} $ 为$ i $ 部门的直接CO2排放量；$ {X}_{i} $ 为投入产出表中$ i $ 部门的总产出；$ \boldsymbol{T} $ 为各个部门居民消费间接CO2排放的行向量；$ \boldsymbol{Y} $ 为居民消费对角矩阵。 -
由于式（4）中列昂惕夫逆矩阵可以用泰勒级数表示为式（5）形式[31]
$$ {(\boldsymbol{I}-\boldsymbol{A})}^{-1}=\boldsymbol{I}+\boldsymbol{A}+{\boldsymbol{A}}^{2}+{\boldsymbol{A}}^{3}+\dots +{\boldsymbol{A}}^{w} $$ (5) 结合式（4）和式（5）可计算不同产业层CO2排放量
$$\boldsymbol{T}=\boldsymbol{t}{\left(\boldsymbol{I}-\boldsymbol{A}\right)}^{-1}{\boldsymbol{Y}}^{} = \overbrace {{\boldsymbol{tI^{\;}Y}}}^{\rm{PL}{^0}} + \overbrace {{\boldsymbol{tA^{\;}Y}}}^{\rm{PL}{^1}} + \overbrace {{\boldsymbol{tA^2Y}}}^{\rm{PL}{^2}} + \overbrace {{\boldsymbol{tA^3Y}}}^{\rm{PL}{^3}} + \overbrace {{\cdots}}^{\cdots} + \overbrace {{\boldsymbol{tA^wY}}}^{\rm{PL}{^W}} $$ (6) 其中，
$ \boldsymbol{t}\boldsymbol{I}\boldsymbol{Y} $ 为第0产业层（PL0）产生的排放，即居民消费的产品或服务生产过程中的排放 ；$ \boldsymbol{t}\boldsymbol{A}\boldsymbol{Y} $ 为第1产业层（PL1）产生的排放，即居民消费产品或服务生产过程中第一层供应商产生的排放；以此类推，$ \boldsymbol{t}{\boldsymbol{A}}^{w}\boldsymbol{Y} $ 为第$ w $ 产业层（PLw）产生的排放。具体到每个矩阵的元素，式（6）还可以表示如下$$ \begin{array}{c} \boldsymbol{T}= \displaystyle\sum _{i,j=1}^{n}{t}_{i}\left({\delta }_{ij}+{\alpha }_{ij}+{\alpha }_{ij}^{2}+{\alpha }_{ij}^{3}+\dots \right){y}_{j}^{} =\\ \displaystyle\sum _{i,j=1}^{n}{t}_{i}\left({\delta }_{ij}+{\alpha }_{ij}+\displaystyle\sum _{k=1}^{n}{\alpha }_{ik}{\alpha }_{kj}+\displaystyle\sum _{l=1}^{n}\displaystyle\sum _{k=1}^{n}{\alpha }_{ik}{\alpha }_{kl}{\alpha }_{lj}+\dots \right){y}_{j}^{}=\\ \underbrace{\displaystyle\sum _{i=1}^{n}{t}_{i}{y}_{j}^{}}_{{\rm{PL}}^{0}} +\underbrace{{\displaystyle\sum _{i=1}^{n}{t}_{i}\displaystyle\sum _{j=1}^{n}{\alpha }_{ij}{y}_{j}^{}}}_{{\rm{PL}}^{1}} +\underbrace{{\displaystyle\sum _{i=1}^{n}{t}_{i}\displaystyle\sum _{k=1}^{n}{\alpha }_{ik}\displaystyle\sum _{j=1}^{n}{\alpha }_{kj}{y}_{j}^{}}}_{{\rm{PL}}^{2}} +\underbrace{{\displaystyle\sum _{i=1}^{n}{t}_{i}\displaystyle\sum _{k=1}^{n}{\alpha }_{ik}\displaystyle\sum _{l=1}^{n}{\alpha }_{kl}\displaystyle\sum _{j=1}^{n}{\alpha }_{lj}{y}_{j}^{}}}_{{\rm{PL}}^{3}}+\cdots \end{array}$$ (7) 其中，下标
$ i $ 、$ j $ 、$ k $ 和$ l $ 代表部门；$ {t}_{i} $ 、$ {\alpha }_{ij} $ 和$ {y}_{j}^{} $ 分别为$ \boldsymbol{t} $ 、$ \boldsymbol{A} $ 和$ \boldsymbol{Y} $ 的元素；$ {\delta }_{ij} $ 为单位矩阵$ \boldsymbol{I} $ 的元素（即当$ i $ =$ j $ 时，值为1；当$ i $ ≠$ j $ 时，值为0）；$ {t}_{i}{\alpha }_{ik}{\alpha }_{kj}{y}_{j}^{} $ 反映了两个产业链环节（部门$ i $ →部门$ k $ →部门$ j $ ），即由于对部门$ j $ 的最终需求，引发了部门$ k $ 的生产，进一步引发部门$ i $ 的生产活动。 -
在对不同路径的排放进行核算后，需从中识别具备效率的关键减排路径。为此，本文借鉴Mattila等[34]提出的应用于IOA模型的敏感性分析方法，通过分别计算居民消费间接排放（
$ \boldsymbol{T} $ ）的变化率相对直接排放强度（$ \boldsymbol{t} $ ）、部门间投入系数（$ \boldsymbol{A} $ ）和居民最终消费量（$ \boldsymbol{Y} $ ）变化率的比值，即排放弹性系数，旨在探寻对居民消费间接CO2排放较敏感的部门和路径[33]。式（4）可进一步整理为
$$ \boldsymbol{T}=\boldsymbol{t}{\left(\boldsymbol{I}-\boldsymbol{A}\right)}^{-1}\boldsymbol{Y}=\boldsymbol{m}\boldsymbol{Y}=\boldsymbol{t}\boldsymbol{X} $$ (8) 其中，
$ \boldsymbol{m} $ 为完全排放强度乘数矩阵，包含了所有部门完整上游产业链过程中的排放；$ \boldsymbol{X} $ 是生产居民消费$ \boldsymbol{Y} $ 所需的总产出。对式（8）求偏导，得到下列敏感性指标
$$ {S}_{t,ij}=\frac{\raisebox{1ex}{$\partial {T}_{i}$}\left/ \raisebox{-1ex}{${T}_{i}$}\right.}{\raisebox{1ex}{$\partial {t}_{ij}$}\left/ \raisebox{-1ex}{${t}_{ij}$}\right.}={X}_{j}\frac{{t}_{ij}}{{T}_{i}} $$ (9) $$ {S}_{\alpha ,ikj}=\frac{\raisebox{1ex}{$\partial {T}_{i}$}\left/ \raisebox{-1ex}{${T}_{i}$}\right.}{\raisebox{1ex}{$\partial {\alpha }_{kj}$}\left/ \raisebox{-1ex}{${\alpha }_{kj}$}\right.}={{m}_{ik}X}_{j}\frac{{\alpha }_{kj}}{{T}_{i}} $$ (10) $$ {S}_{{y}_{,ik}}=\frac{\raisebox{1ex}{$\partial {T}_{i}$}\left/ \raisebox{-1ex}{${T}_{i}$}\right.}{\raisebox{1ex}{$\partial {y}_{k}$}\left/ \raisebox{-1ex}{${y}_{k}$}\right.}={m}_{ik}\frac{{y}_{k}}{{T}_{i}} $$ (11) 其中，下标
$ i\mathrm{和}j $ 表示不同部门；$ {S}_{t} $ 表示直接CO2排放强度的敏感性；$ {S}_{{y}_{}} $ 表示居民最终消费的敏感性；$ {S}_{\alpha } $ 表示部门间投入系数（$ {\alpha }_{ij} $ ）的敏感性。为分析原始投入系数$ {\alpha }_{kk} $ 对排放的敏感性，在计算$ {S}_{\alpha } $ 时，其对角元素$ \left({1-\alpha }_{kk}\right) $ 可用比率$ {\alpha }_{kk}/\left({1-\alpha }_{kk}\right) $ 进行调整[34]；$ {m}_{ik} $ 为矩阵$ \boldsymbol{m} $ 的元素。参照Zhen等[35]的研究结果，本文将敏感性分析的临界值设置为
$ {S}_{t} $ 、$ {S}_{\alpha } $ 或$ {S}_{{y}_{}} $ 等于0.01，表示直接排放强度（$ \boldsymbol{t} $ ）、部门间投入系数（$ \boldsymbol{A} $ ）和居民最终消费量（$ \boldsymbol{Y} $ ）分别变化100%时，完全排放（$ \boldsymbol{T} $ ）变化1%。当$ {S}_{t} $ 、$ {S}_{\alpha } $ 或$ {S}_{{y}_{}} $ 大于0.01时，表示对结果敏感；反之，则认为不敏感。 -
本文所采用的投入产出表来自2017年149部门《中国投入产出表》[36]。各部门直接CO2排放包括两个部分：能源燃烧排放和工业过程排放。能源燃烧排放的计算方式为能源消耗量乘以排放系数，其中各部门能源消耗数据来自于2018年《中国能源统计年鉴》[37]，能源燃烧的CO2排放系数参考2006年IPCC国家温室气体清单指南及前人研究[38]。由于中国能源消费统计数据的部门精度相对较低，在将能源消费数据嵌入投入产出表时，往往面临能源数据准确性和部门精度的两难抉择。《中国能源统计年鉴2018》中仅提供了43部门详细能源消耗数据，为使投入产出表和能源统计年鉴的部门分类相对应，本文依据《国民经济行业分类与代码》（GB/T 4754-2017）对原投入产出表进行了部门合并，调整后共有43个部门（详见附表1）[39]。工业过程CO2排放的计算方法为相关产品产量乘以单位产品排放系数，具体估算方法可参考Peters等[40]的研究。
表 1各部门编号及名称
部门编号 部门名称 部门编号 部门名称 S1 农、林、牧、渔、水利业 S23 非金属矿物制品业 S2 煤炭开采和洗选业 S24 黑色金属冶炼和压延加工业 S3 石油和天然气开采业 S25 有色金属冶炼和压延加工业 S4 黑色金属矿采选业 S26 金属制品业 S5 有色金属矿采选业 S27 通用设备制造业 S6 非金属矿及其他矿采选业 S28 专用设备制造业 S7 农副食品加工业 S29 汽车制造业 S8 食品制造业 S30 铁路、船舶、航空航天和其他运输设备制造业 S9 酒、饮料和精制茶制造业 S31 电气机械和器材制造业 S10 烟草制品业 S32 计算机、通信和其他电子设备制造业 S11 纺织业 S33 仪器仪表制造业 S12 纺织服装、鞋、帽、皮革、毛皮、羽毛（绒）
及其制品业S34 其他制造业 S13 木材加工和木、竹、藤、棕、草制品业 S35 废弃资源综合利用业 S14 家具制造业 S36 金属制品、机械和设备修理业 S15 造纸和纸制品业 S37 电力、热力生产和供应业 S16 印刷和记录媒介复制业 S38 燃气生产和供应业 S17 文教、工美、体育和娱乐用品制造业 S39 水的生产和供应业 S18 石油加工、炼焦和核燃料加工业 S40 建筑业 S19 化学原料和化学制品制造业 S41 交通运输、仓储和邮政业 S20 医药制造业 S42 批发、零售业和住宿、餐饮业 S21 化学纤维制造业 S43 其他服务业 S22 橡胶和塑料制品业 -
从排放总量看，2017年中国居民消费间接CO2排放量为28.17亿吨，相较于2007年增加了56%（18.01亿吨）[20]，说明居民消费对碳排放的驱动力仍在不断提高。从部门结构看，各部门间接CO2排放量差异显著，且排放集中在少数部门。如图1所示，电力、热力生产和供应业（S37）、交通运输、仓储和邮政业（S41）以及化学原料和化学制品制造业（S19）是居民消费间接CO2排放最多的三个部门，共占总排放的75%。当今社会居民生产生活已离不开电和热的消费，且电力和热力生产过程大量消耗煤等高碳能源，因而该部门在总排放中占比最大（59%）[41-42]。同样的，随着收入水平的不断提高，居民交通出行需求不断提升。作为高能耗行业，交通运输、仓储和邮政业（S41）间接CO2排放占总排放的11%。虽然化学原料和化学制品制造业（S19）能源消耗相对较少，但部分产品（如合成氨）生产过程也会排放大量CO2，其占比为6%[40]。
图 1不同部门居民消费间接CO2排放量
进一步分析各部门排放来源，可以发现PL0层CO2排放占比超过50%的部门数量为11个，其余32个部门排放主要来自第1层及以上产业链（PL1→∞）。其中，以PL0层排放为主的部门一般为最终消费部门，这些部门主要为居民提供最终消费品，其下游产业链相对较短，其排放量随着本部门产品消费量的增加而增加。例如，食品制造业（S8）和家具制造业（S14），两者PL0层CO2排放占比分别为79%和75%。相反，以PL1→∞层排放为主的部门大部分为原材料及初级能源加工部门，这些部门主要为下游部门提供中间产品，以生产满足居民最终需求的产品和服务。特别地，黑色金属冶炼和压延加工业（S24）与有色金属冶炼和压延加工业（S25）等9个部门的间接CO2排放全部来自PL1→∞层（共占总排放的6%），说明居民不直接消费这些部门的产品（图1）。从居民消费角度看，这些部门对减排的重要性可能会被低估。然而，居民消费会引发这些部门进行原料生产加工，从而造成间接排放。因此，不能忽视这些中间产品提供部门及相关产业链上的减排潜力。
-
通过产业层分解，可核算居民消费上游产业链不同层级的CO2排放，并分析各层排放的部门结构。如图2所示，尽管上游产业层可以无穷递推，但居民消费间接CO2排放主要集中在前七个产业层（PL0→6），累积占比达91%。随着产业层的增加，排放量增长幅度逐渐减少，这与前人的研究结论一致[43]。从不同产业层看，居民消费间接CO2排放的最大值在PL1层，这与前人研究中居民消费间接能耗或排放主要出现在PL0层的结论有所区别[35][44]，可能的原因之一是近年来中国居民消费品生产分工更加精细，上游产业链不断延伸且更为复杂，造成PL1→∞排放不断增加。在核算居民消费间接CO2排放时，若仅关注PL0层，则会造成80%的排放被低估。可见，IOA模型在确保核算边界完整性方面具有突出的优势。
图 2不同产业层居民消费间接CO2排放及部门贡献
进一步分析各产业层主要部门来源发现，电和热是居民消费间接CO2排放的最大贡献部门，且其贡献随着产业层的增加而不断增加，说明该部门不仅直接为居民提供消费产品，其在居民消费上游产业链也发挥重要作用（图2）。类似地，交通部门在各产业层的排放贡献也较为突出。农业和食品部门在各产业层的排放占比变化较小，说明对其排放量的控制应重点关注PL0层，即通过减少消费量或部门排放强度降低CO2排放。相反，化学品、能源、金属和非金属等部门的排放在PL1层以后开始明显增加，这些部门的减排有赖于对上游产业链的深入解析。
-
1. 直接排放强度敏感性（St）
本文测算居民消费间接CO2排放对直接排放强度（
$ {t}_{i} $ ）的敏感性，若敏感性系数大于0.01，则说明降低该部门直接排放强度的减排效率较高。由表1可知，共有11个部门的直接排放强度对居民消费间接CO2排放较为敏感（St> 0.01）。其中，电力、热力生产和供应业（S37）的敏感性系数最高，达到了0.59。这表明该部门直接排放强度每降低100%，居民消费间接CO2排放将减少59%。此外，交通运输、仓储和邮政业（S41）和化学原料和化学制品制造业（S19）的St值也较大，分别为0.11和0.06。不难发现，直接排放强度敏感性靠前的行业均存在较大的现场排放，即由于高耗能和高生产过程排放，这些产业以直接排放为主，因而降低其直接排放强度成为减少居民消费间接排放的主要手段。表 1敏感性分析St结果表
部门 St 部门 St S1 0.030 S24 0.044 S3 0.012 S37 0.586 S7 0.011 S41 0.112 S18 0.021 S42 0.015 S19 0.056 S43 0.024 S23 0.041 注：加粗数字为敏感性系数大于0.05的结果。 2. 部门间投入系数敏感性（
$ {S}_{\alpha } $ ）本文测算居民消费间接CO2排放对部门间投入系数（
$ {\alpha }_{ij} $ ）的敏感性，若敏感性系数大于0.01，则说明通过提升部门$ i $ 到部门$ j $ 这一产业环节的生产技术，具有较高的减排效率。由式（7）可知，部门间投入系数（$ {\alpha }_{ij} $ ）只对更高产业层（PL1→∞）上的排放产生影响，对PL0层不产生影响。因此，部门间投入系数的敏感性指数（$ {S}_{\alpha } $ ）结果对于探寻PL1→∞层关键减排部门和路径至关重要。由图3可知，影响居民消费间接CO2排放的产业环节共有1 849个，但其中较为敏感的产业环节仅109个（$ {S}_{\alpha } $ > 0.01）。
图 3敏感性分析
$ {S}_{\alpha } $ 热图特别地，农、林、牧、渔、水利业→农副食品加工业（S1→S7）（
$ {S}_{\alpha } $ = 0.098），化学原料和化学制品制造业→橡胶和塑料制品业（S19→S22）（$ {S}_{\alpha } $ = 0.09），电力、热力生产和供应业→电力、热力生产和供应业（S37→S37）（$ {S}_{\alpha } $ = 0.10）和电力、热力生产和供应业→水的生产和供应业（S37→S39）（Sa= 0.11）等产业环节对居民消费间接CO2排放最为敏感，其敏感性系数均超过0.09，说明这些产业环节的排放降低100%，居民消费间接碳排放可减少9%以上。不难发现，最为敏感的部门间交易包括一些自我供给的产业环节，如电力、热力生产和供应业→电力、热力生产和供应业（S37→S37），化学原料和化学制品制造业→化学原料和化学制品制造业（S19→S19）和纺织业→纺织业（S11→S11）等，这与前人的发现一致[45]。3. 居民最终消费敏感性（Sy）
本文测算居民消费间接CO2排放对最终需求（
$ {y}_{j}^{} $ ）的敏感性，若敏感性系数大于0.01，则说明通过减少该部门产品或服务消费量是具有较高效率的减排手段。由表2可知，共有16个部门的居民最终消费对间接CO2排放较为敏感（Sy> 0.01）。其中，其他服务业（S43）的最终消费对CO2排放的敏感性系数最高（Sy= 0.22），其次为电力、热力生产和供应业（S37）（Sy= 0.15）。这充分说明随着中国产业结构不断升级和城市化水平不断提高，居民对服务产品和现代能源的追求已成为中国CO2排放的重要驱动力。此外，农、林、牧、渔、水利业（S1），农副食品加工业（S7）和食品制造业（S8），交通运输、仓储和邮政业（S41）以及批发、零售业和住宿、餐饮业（S42）的最终需求敏感性也均大于0.05。表 2敏感性分析Sy结果表
部门 CO2排放 部门 CO2排放 S1 0.059 S20 0.021 S7 0.079 S29 0.047 S8 0.059 S31 0.021 S9 0.028 S32 0.025 S12 0.048 S37 0.148 S17 0.013 S41 0.077 S18 0.016 S42 0.061 S19 0.018 S43 0.219 注：加粗数字为敏感性系数大于0.05的结果。 -
通过以上对投入产出模型中各组成部分的敏感性分析，本文初步识别了单独满足各组分敏感性条件的关键部门和路径。然而，居民消费间接CO2排放是由直接排放强度、最终消费和部门间投入系数共同决定的[14]。因此，为寻求关键减排路径，需结合三部分敏感性分析结果，为政策制定者提供更具针对性的信息。
根据关键减排路径识别框架的设计思路，针对不同产业层关键路径应采取差异化减排措施。对于PL0层关键路径，主要通过降低该部门直接排放强度和居民对该部门产品或服务的消费量进行减排。更高产业层（PL1→3）上关键路径的减排则关注不同部门之间的产业关联（供应部门→需求部门），通过供应部门降低排放强度和需求部门提高生产效率相结合进行减排。
1. PL0层居民消费间接排放关键减排路径
由于PL0层排放同时由部门直接排放强度（
$ {t}_{i} $ ）和最终需求（$ {y}_{j}^{} $ ）决定[见式（7）]，从减排效率出发，该产业层关键减排路径必须满足条件（St> 0.01）∩（Sy> 0.01）。基于该准则，本文首先识别出8个关键部门，即图4中阴影部分。然而，并非所有满足敏感性条件的部门都值得重点关注。在识别关键路径时，还应考虑各部门CO2排放量的大小。比如，化学原料和化学制品制造业（S19）满足PL0层敏感性条件，但该部门CO2排放仅占PL0层排放的1.76%。相反，尽管食品制造业（S8）不满足敏感性条件，但其CO2排放占比更高（3.19%）。为筛选出更具减排效率的路径，在敏感性条件的基础上，本文以各部门CO2排放占PL0层排放比重的均值（2.33%）作为临界点，进一步识别出6个关键路径，分别为电力、热力生产和供应业（S37），交通运输、仓储和邮政业（S41），其他服务业（S43），农、林、牧、渔、水利业（S1），批发、零售业和住宿、餐饮业（S42）和农副食品加工业（S7）。这些关键路径的排放量共占PL0层CO2排放的87%，且与中国当前的减排重点较为吻合，可见本文提出的关键路径识别方法对PL0层间接CO2排放控制效果较为明显。
图 4PL0层居民消费间接CO2排放部门组成
根据关键减排路径识别框架的设计思路，PL0层关键路径减排主要通过降低该部门直接CO2排放强度或居民对该部门产品或服务的消费量实现。为进一步提高减排效率，还应比较各部门St和Sy数值的大小。若St>Sy，则降低部门直接排放强度更有利于减少总体碳排放；反之，则减少居民最终消费减排效果更好。通过比较，电力、热力生产和供应业（S37）和交通运输、仓储和邮政业（S41）的St值大于Sy值，减少这两个部门的间接排放主要通过降低部门直接排放强度。具体而言，电力部门可通过提升燃煤效率、提高煤炭清洁度、大力发展可再生能源发电技术等措施降低直接CO2排放强度。此外，碳捕捉与封存技术的应用也是电力部门碳减排的必要手段[46]。未来应通过加强技术研发、降低经济成本和实现CO2综合利用等途径，进一步推广该技术在电力部门的应用。交通运输业主要通过发展电动汽车、氢能源燃料电池等技术实现减排，但电动汽车的减排效果有赖于全国电网的低碳化。氢能燃料电池技术的发展目前还处在初步阶段，尚无法成为交通运输业的主要减排手段。同时，在氢气制取过程中，应采用清洁电力进行电解，避免掉入“灰氢”陷阱。
由于Sy值大于St值，对PL0层其他四个关键部门的CO2减排则主要通过合理消费方式的引导实现。具体来说，农、林、牧、渔、水利业（S1），农副食品加工业（S7）和批发、零售业和住宿、餐饮业（S42）均与食物消费有关，应通过倡导减少食物浪费、执行食品低碳认证等方式培养消费者的低碳消费理念，减少这些部门在PL0层的间接排放。其他服务业（S43）PL0层CO2减排有赖于低碳服务业的发展和消费者绿色消费理念的培养[47]。中国政府应大力支持低碳旅游、绿色金融和低碳营销的发展，以应对服务业消费大规模增长形势下的减排压力。
2. PL1→3层居民消费间接排放关键减排路径
如图2所示，中国居民消费间接CO2排放主要集中在PL0→3层，占比达到72%。因此，PL1→∞层间接CO2减排应主要关注PL1→3层。由于PL1→3层排放同时由部门直接排放强度（
$ {t}_{i} $ ）、部门间投入系数（$ {\alpha }_{ij} $ ）和最终消费（$ {y}_{j}^{} $ ）决定，因此该产业层关键减排路径必须满足条件（$ {S}_{t供应部门} $ > 0.01）∩（$ {S}_{\alpha } $ > 0.01）∩（$ {S}_{y需求部门} $ > 0.01），即供应部门的$ {S}_{t} $ 、需求部门的$ {S}_{y} $ 和该产业环节的$ {S}_{\alpha } $ 应同时符合敏感性条件[48]。根据以上准则，本文共识别出35个符合敏感性条件的产业环节，这些环节上的排放共占PL1→3层CO2排放的23%（如图5所示）。可见，相比于PL0层，PL1→3层CO2排放源更为分散，减排难度更大。
图 5PL1→3层CO2排放的关键产业环节
进一步分析可以发现，不同产业环节在制定减排措施时，应侧重不同产业层。比如，农、林、牧、渔、水利业→农副食品加工业（S1→S7）产业环节的排放主要来源于PL1层，占该环节排放的71%；而电力、热力生产和供应业→石油加工、炼焦和核燃料加工业（S37→S18）环节的排放主要来源于PL2层，占该环节排放的42%（图5）。因此，前者减排应主要关注PL1层，而后者主要侧重PL2层。
然而，敏感性分析仅能识别PL1→3层重要的排放环节。理论上，不同产业环节起点和终点部门间存在无数条产业路径。因此，本文采用SPA方法解析关键产业环节中的不同路径，并根据不同路径上排放量大小筛选主要减排路径。经计算，PL1→3层满足居民消费间接CO2排放敏感性条件的路径为283条。为便于分析，本文仅展示了其中18条单独排放占比超过1%的路径，合计占PL1→3层关键路径排放的74%，因而具有一定的代表性（表2）。
不难发现，PL1→3层关键路径存在部门集聚现象。如表3所示，从供应部门角度看，共有9条关键路径的起点为电力、热力生产和供应业（S37），合计占PL1→3层关键路径CO2排放的51%。主要的下游部门包括石油加工、炼焦和核燃料加工业（S18），化学原料和化学制品制造业（S19），医药制造业（S20）和交通运输、仓储和邮政业（S41）。可见，对电力部门的减排不仅直接降低居民消费间接CO2排放，同时影响到其他部门双碳目标的完成进度，特别是低碳交通的发展。此外，提升用电效率也是降低以上四条关键路径碳排放的重要手段。其他部门集聚路径还包括农、林、牧、渔、水利业→农副食品加工业（S1→S7），农、林、牧、渔、水利业→食品制造业（S1→S8）和化学原料和化学制品制造业→农、林、牧、渔、水利业（S19→S1）等，约占PL1→3层关键路径CO2排放的10%。S1→S7和S1→S8路径减排依赖于低碳农业的发展和降低食品生产过程的原料浪费率。S19→S1路径减排的主要手段是降低农业生产中化肥和农药的使用。
表 3PL1→3层居民消费间接CO2排放关键路径（占比超过1%）
排序 路径 排放量/亿吨 占比/% 产业层 1 S37→S37 0.80 27.05 1 2 S37→S37→S37 0.23 7.71 2 3 S1→S7 0.16 5.26 1 4 S37→S41 0.15 5.17 1 5 S41→S42 0.14 4.80 1 6 S19→S1 0.09 2.93 1 7 S43→S43 0.09 2.92 1 8 S37→S19 0.09 2.92 1 9 S37→S20 0.08 2.73 1 10 S37→S37→S37→S37 0.07 2.20 3 11 S3→S18 0.05 1.68 1 12 S37→S37→S41 0.04 1.47 2 13 S41-S12 0.04 1.46 1 14 S1→S8 0.04 1.25 1 15 S37→S18 0.04 1.20 1 16 S19→S19 0.03 1.17 1 17 S19→S19→S1 0.03 1.03 2 18 S37→S19→S19 0.03 1.02 2 此外，PL1→3层还存在一些“自循环”关键路径，即起点和终点均为同一部门的路径。比如，电力、热力生产和供应业→电力、热力生产和供应业（S37→S37），电力、热力生产和供应业→电力、热力生产和供应业→电力、热力生产和供应业（S37→S37→S37），其他服务业→其他服务业（S43→S43）以及化学原料和化学制品制造业→化学原料和化学制品制造业（S19→S19）等。由于各部门对自身的能耗结构及排放来源较为熟悉，因此针对行业自身的减排措施效果将更为明显。比如，不断提高电厂煤炭燃烧效率和降低电厂自用电率是降低S37→S37路径排放的重要措施；通过信息化和智能化技术的发展，可以有效提升其他服务业→其他服务业（S43→S43）环节的工作效率，从而降低排放。“自循环”路径的存在也会使这些减排措施发生连锁反应，促进居民消费上游产业链减排。
-
本文整合环境投入产出分析、产业层分解、结构路径解析和敏感性分析等方法，构建了居民消费间接CO2排放核算与关键减排路径识别分析框架，系统开展了2017年中国居民消费间接CO2排放核算，并对其上游产业链进行了解剖，探寻出不同产业层减排的关键部门和路径。本文获得的主要结论如下：
1.2017年中国居民消费间接CO2排放量为28.17亿吨，主要来自电力、热力生产和供应业（S37），交通运输、仓储和邮政业（S41）以及化学原料和化学制品制造业（S19）。本文进一步发现，居民消费间接CO2排放主要集中在前四个产业层，并针对不同产业层探寻了关键减排路径。
2.在第0产业层，居民消费间接CO2关键减排路径包含电力、热力生产和供应业（S37），交通运输、仓储和邮政业（S41）和其他服务业（S43）等6个部门。该产业层关键路径减排主要通过提高能源利用效率或采用可再生能源能源降低碳排放强度，或引导居民对这些部门产品的合理消费需求。具体减排措施需要通过比较部门直接排放强度敏感性和居民最终消费敏感性数值的大小而确定。
3.在第1~第3产业层，本文共识别出18条关键CO2减排路径。在制定减排措施的过程中，特别需要注意这些路径中的“部门集聚”和“自循环”现象。对个别重点部门采取提高能源效率、改善能源结构或增强减排技术等措施，可促进整个产业链的CO2减排。
4.本文的发现可从以下几个方面为减少居民消费间接CO2排放提供政策启示：首先，居民消费上游产业链中存在关键排放路径，对这些关键路径的挖掘可提高减排措施的针对性和有效性。其次，不同产业层应制定差异化减排策略，第0层主要侧重点在部门直接排放强度和居民消费行为，如不断发展清洁可再生电力和节约用电等。更高产业层的减排应注重部门间协作，对CO2减排而言，可以采取的产业协作方式包括：（1）提升交通运输、化学原料生产等部门的用电效率；（2）降低食品生产过程中的农产品浪费；（3）优化商品批发零售中的交通运输方式；（4）减少农业生产过程中的化肥和农药使用等。
受限于投入产出表编制技术和环境排放统计数据的发展，本文存在一定的局限性。由于投入产出表编制的时间滞后性，本文仅关注了2017年中国居民消费间接排放与减排路径，但研究结果可以为未来减排政策制定提供一定的参考。此外，国家能源消费和环境排放统计数据的部门精度有限，为确保部门直接排放数据的准确性，本文对原投入产出表进行了部门合并，因此损失了一定的路径精度。本文为探寻居民消费间接CO2关键减排路径提供了方法框架和大致方向，具体政策制定有赖于进一步分析不同行业能耗与生产工艺特点。未来应不断完善投入产出表编制和环境数据统计工作，以支持精准减排政策的制定和落实。
Indirect CO2Emissions from Household Consumption in China: Quantification and Key Emission Reduction Path Analysis
-
摘要:不断扩张的居民消费不仅带动上游产业链发展，也造成大量间接CO 2排放。为缓解碳减排压力，基于环境投入产出模型核算了2017年中国居民消费间接CO 2排放量，并对居民消费上游产业链进行详细剖析，以识别关键排放路径。结果表明：（1）2017年中国居民消费间接CO 2排放为28.17亿吨；（2）各部门间接CO 2排放差异较大，其中电力、热力生产，交通运输、仓储和邮政业以及化学原料和化学制品制造业为主要贡献部门，占总排放的75%；（3）居民消费间接CO 2排放主要集中在前四个产业层，占总排放的72%；（4）第0产业层间接排放的关键路径包含电力、热力生产和供应业，交通运输、仓储和邮政业及其他服务业等6个部门；（5）第一至第三产业层排放的关键路径为18条，且存在“部门聚集”和“自循环”特征。基于路径分析结果，指出第0产业层减排应降低电力和交通等重点部门直接CO 2排放强度，倡导食品制造和服务业等部门的绿色消费方式和合理消费需求。第一至第三产业层主要依靠跨部门协作减排，同时应重视电力、农业等关键部门减排的连锁反应。Abstract:The continuous expansion of household consumption drives the development of upstream industrial chain, and thus causes substantial indirect CO 2emissions. In order to mitigate carbon emission reduction pressure, the indirect CO 2emissions from household consumption of China in 2017 were calculated using the environmental input-output model, and the key emission paths in the upstream industrial chain of household consumption were identified. The results show that: (1) The indirect CO 2emissions from household consumption of China in 2017 were 2 817 million tons; (2) Emissions varied greatly among different sectors, of which the electric power and thermal production industry, transportation, storage and postal industry, chemical raw materials and chemical products manufacturing industry accounted for 75% of total emissions; (3) The first four industrial layers contributed 72% to the total emissions; (4) The key paths of indirect CO 2emissions in layer 0 included electric power and thermal production industry, transportation, storage, postal industry, and other services industries; (5) There are 18 critical paths of CO 2emissions in layers 1 to 3, with the characteristics of “sectoral aggregation” and “self-circulation”. Based on the results of path analysis, this study pointed out that emission reduction in layer 0 depends on the direct CO 2emission intensity control of key sectors such as power and transportation and the advocacy of green consumption behavior, and reasonable consumption demand of food manufacturing and service sectors. Emission reduction in layers 1 to 3 mainly depends on cross-sectoral cooperation, and attention should be paid to the chain reaction of key sectors such as power and agriculture.注释:1) http://www.gov.cn/xinwen/2021-04/02/content_5597403.htm。
-
1各部门编号及名称
部门编号 部门名称 部门编号 部门名称 S1 农、林、牧、渔、水利业 S23 非金属矿物制品业 S2 煤炭开采和洗选业 S24 黑色金属冶炼和压延加工业 S3 石油和天然气开采业 S25 有色金属冶炼和压延加工业 S4 黑色金属矿采选业 S26 金属制品业 S5 有色金属矿采选业 S27 通用设备制造业 S6 非金属矿及其他矿采选业 S28 专用设备制造业 S7 农副食品加工业 S29 汽车制造业 S8 食品制造业 S30 铁路、船舶、航空航天和其他运输设备制造业 S9 酒、饮料和精制茶制造业 S31 电气机械和器材制造业 S10 烟草制品业 S32 计算机、通信和其他电子设备制造业 S11 纺织业 S33 仪器仪表制造业 S12 纺织服装、鞋、帽、皮革、毛皮、羽毛（绒）
及其制品业S34 其他制造业 S13 木材加工和木、竹、藤、棕、草制品业 S35 废弃资源综合利用业 S14 家具制造业 S36 金属制品、机械和设备修理业 S15 造纸和纸制品业 S37 电力、热力生产和供应业 S16 印刷和记录媒介复制业 S38 燃气生产和供应业 S17 文教、工美、体育和娱乐用品制造业 S39 水的生产和供应业 S18 石油加工、炼焦和核燃料加工业 S40 建筑业 S19 化学原料和化学制品制造业 S41 交通运输、仓储和邮政业 S20 医药制造业 S42 批发、零售业和住宿、餐饮业 S21 化学纤维制造业 S43 其他服务业 S22 橡胶和塑料制品业 
下载:
导出CSV
表 1敏感性分析St结果表
部门 St 部门 St S1 0.030 S24 0.044 S3 0.012 S37 0.586 S7 0.011 S41 0.112 S18 0.021 S42 0.015 S19 0.056 S43 0.024 S23 0.041 注：加粗数字为敏感性系数大于0.05的结果。 下载:
导出CSV
表 2敏感性分析Sy结果表
部门 CO2排放 部门 CO2排放 S1 0.059 S20 0.021 S7 0.079 S29 0.047 S8 0.059 S31 0.021 S9 0.028 S32 0.025 S12 0.048 S37 0.148 S17 0.013 S41 0.077 S18 0.016 S42 0.061 S19 0.018 S43 0.219 注：加粗数字为敏感性系数大于0.05的结果。 下载:
导出CSV
表 3PL1→3层居民消费间接CO2排放关键路径（占比超过1%）
排序 路径 排放量/亿吨 占比/% 产业层 1 S37→S37 0.80 27.05 1 2 S37→S37→S37 0.23 7.71 2 3 S1→S7 0.16 5.26 1 4 S37→S41 0.15 5.17 1 5 S41→S42 0.14 4.80 1 6 S19→S1 0.09 2.93 1 7 S43→S43 0.09 2.92 1 8 S37→S19 0.09 2.92 1 9 S37→S20 0.08 2.73 1 10 S37→S37→S37→S37 0.07 2.20 3 11 S3→S18 0.05 1.68 1 12 S37→S37→S41 0.04 1.47 2 13 S41-S12 0.04 1.46 1 14 S1→S8 0.04 1.25 1 15 S37→S18 0.04 1.20 1 16 S19→S19 0.03 1.17 1 17 S19→S19→S1 0.03 1.03 2 18 S37→S19→S19 0.03 1.02 2 下载:
导出CSV
-
[1] 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(05): 64-72.doi:10.3969/j.issn.1002-2104.2016.05.008 [2] 王东, 李玥凝. 广东省居民生活消费碳排放与居民收入关系研究[J]. 中国人口·资源与环境, 2017, 27(S1): 218-221. [3] IVANOVA D, STADLER K, STEEN-OLSEN K, et al. Environmental Impact Assessment of Household Consumption[J]. Journal of Industrial Ecology, 2016, 20(3SI): 526-536. [4] 马晓微, 陈丹妮, 兰静可, 等. 收入差距与居民消费碳排放关系[J]. bob手机在线登陆学报(社会科学版), 2019, 21(06): 1-9. [5] 王会娟, 夏炎. 中国居民消费碳排放的影响因素及发展路径分析[J]. 中国管理科学, 2017, 25(08): 1-10. [6] GUAN D, HUBACEK K, WEBER C L, et al. The drivers of Chinese CO2emissions from 1980 to 2030[J]. Global Environmental Change, 2008, 18(4): 626-634.doi:10.1016/j.gloenvcha.2008.08.001 [7] XIA Y, WANG H, LIU W. The indirect carbon emission from household consumption in China between 1995-2009 and 2010-2030: A decomposition and prediction analysis[J]. Computers & Industrial Engineering, 2019, 128: 264-276. [8] SHUI B, DOWLATABADI H. Consumer lifestyle approach to US energy use and the related CO2emissions[J]. Energy Policy, 2005, 33(2): 197-208.doi:10.1016/S0301-4215(03)00210-6 [9] HIRANO Y, IHARA T, YOSHIDA Y. Estimating residential CO2emissions based on daily activities and consideration of methods to reduce emissions[J]. Building and Environment, 2016, 103: 1-8.doi:10.1016/j.buildenv.2016.02.021 [10] CHITNIS M, DRUCKMAN A, HUNT L C, et al. Forecasting scenarios for UK household expenditure and associated GHG emissions: Outlook to 2030[J]. Ecological Economics, 2012, 84: 129-141.doi:10.1016/j.ecolecon.2012.09.016 [11] 姚亮, 刘晶茹, 袁野. 中国居民家庭消费碳足迹近20年增长情况及未来趋势研究[J]. 环境科学学报, 2017, 37(06): 2403-2408. [12] ZHANG X, LUO L, SKITMORE M. Household carbon emission research: an analytical review of measurement, influencing factors and mitigation prospects[J]. Journal of Cleaner Production, 2015, 103: 873-883.doi:10.1016/j.jclepro.2015.04.024 [13] 史琴琴, 鲁丰先, 陈海, 等. 中原经济区城镇居民消费间接碳排放时空格局及其影响因素[J]. 资源科学, 2018, 40(06): 1297-1306. [14] 王长波, 张力小, 庞明月. 生命周期评价方法研究综述——兼论混合生命周期评价的发展与应用[J]. 自然资源学报, 2015, 30(07): 1232-1242. [15] SUH S, LENZEN M, TRELOAR G J, et al. System boundary selection in life-cycle inventories using hybrid approaches[J]. Environmental Science & Technology, 2004, 38(3): 657-664. [16] DAS A, PAUL S K. CO2emissions from household consumption in India between 1993–94 and 2006–07: A decomposition analysis[J]. Energy Economics, 2014, 41: 90-105.doi:10.1016/j.eneco.2013.10.019 [17] CHITNIS M, HUNT L C. What drives the change in UK household energy expenditure and associated CO2emissions? Implication and forecast to 2020[J]. Applied Energy, 2012, 94(none): 202-214. [18] MUNKSGAARD J, PEDERSEN K A, WIEN M. Impact of household consumption on CO2emissions[J]. Energy Economics, 2000,22:423−440. [19] MEANGBUA O, DHAKAL S, KUWORNU J. Factors influencing energy requirements and CO2emissions of households in Thailand: A panel data analysis[J]. Energy Policy, 2019, 129(JUN. ): 521-531. [20] 姚亮, 刘晶茹, 王如松. 中国城乡居民消费隐含的碳排放对比分析[J]. 中国人口资源与环境, 2011(04): 25-29. [21] JIANG Y D, LONG Y, LIU Q L, et al. Carbon emission quantification and decarbonization policy exploration for the household sector - evidence from 51 Japanese cities[J/OL]. Energy Policy, 2020,140.https://ideas.repec.org/a/eee/enepol/v140y2020ics03014215 20301919.html. [22] YIN X, HAO Y, YANG Z, et al. Changing carbon footprint of urban household consumption in Beijing: insight from a nested input-output analysis[J/OL]. Journal of Cleaner Production, 2020, 258:120698.http://www.socolar.com/Article/Index?aid=100080561478&jid =100000000464. [23] 赵玉焕, 李玮伦, 王淞. 北京市居民消费间接碳排放测算及影响因素[J]. bob手机在线登陆学报(社会科学版), 2018, 20(03): 33-44. [24] 袁路, 潘家华. Kaya恒等式的碳排放驱动因素分解及其政策含义的局限性[J]. 气候变化研究进展, 2013, 009(003): 210-215. [25] SHI Y, HAN B, HAN L, et al. Uncovering the national and regional household carbon emissions in China using temporal and spatial decomposition analysis models[J]. Journal of Cleaner Production, 2019, 232: 966-979.doi:10.1016/j.jclepro.2019.05.302 [26] THOMAS B A, AZEVEDO I L. Estimating direct and indirect rebound effects for U. S. households with input–output analysis. Part 2: Simulation[J]. Ecological Economics, 2013, 86: 188-198.doi:10.1016/j.ecolecon.2012.12.002 [27] BÜCHS M, SCHNEPF S V. Who emits most? Associations between socio-economic factors and UK households' home energy, transport, indirect and total CO2emissions[J]. Ecological Economics, 2013, 90: 114-123.doi:10.1016/j.ecolecon.2013.03.007 [28] 邓荣荣. 基于投入产出模型的城乡居民消费碳排放测算与影响因素研究——以湖南为例[J]. 湖南财政经济学院学报, 2016, 32(03): 35-43. [29] 张艳芳, 张宏运. 陕西省居民消费碳排放测算与分析[J]. 陕西师范大学学报(自然科学版), 2016, 44(02): 98-105. [30] MALIK A, MCBAIN D, WIEDMANN T O, et al. Advancements in Input-Output Models and Indicators for Consumption-Based Accounting[J]. Journal of Industrial Ecology, 2019, 23(2): 300-312.doi:10.1111/jiec.12771 [31] WANG C B, MALIK A, WANG Y F, et al. The social, economic, and environmental implications of biomass ethanol production in China: a multi-regional input-output-based hybrid LCA model[J/OL]. Journal of Cleaner Production, 2020, 249.http://www. socolar.com/Article/Index?aid=100078459436&jid=100000000464. [32] 谢锐, 王振国, 张彬彬. 中国碳排放增长驱动因素及其关键路径研究[J]. 中国管理科学, 2017, 25(10): 119-129. [33] MENG F Y, ZHOU D Q, ZHOU P, et al. Sectoral comparison of electricity-saving potentials in China: An analysis based on provincial input-output tables[J]. Energy, 2014, 72: 772-782.doi:10.1016/j.energy.2014.05.112 [34] MATTILA T, KOSKELA S, SEPPALA J, et al. Sensitivity analysis of environmentally extended input-output models as a tool for building scenarios of sustainable development[J]. Ecological Economics, 2013, 86: 148-155.doi:10.1016/j.ecolecon.2012.11.021 [35] ZHEN W, QIN Q, ZHONG Z, et al. Uncovering household indirect energy-saving responsibility from a sectoral perspective: An empirical analysis of Guangdong, China[J]. Energy Economics, 2018, 72: 451-461.doi:10.1016/j.eneco.2018.05.006 [36] 国民经济核算司. 2017年中国投入产出表[M]. 北京: 中国统计出版社, 2019. [37] 国家统计局能源统计司. 中国能源统计年鉴[M]. 北京: 中国统计出版社, 2018. [38] DHAKAL S. Urban energy use and carbon emissions from cities in China and policy implications[J]. Energy Policy, 2009, 37(11): 4208-4219.doi:10.1016/j.enpol.2009.05.020 [39] 计军平, 刘磊, 马晓明. 基于EIO-LCA模型的中国部门温室气体排放结构研究[J]. 北京大学学报(自然科学版), 2011, 47(04): 741-749. [40] PETERS G, WEBER C, LIU J. Construction of Chinese energy and emissions inventory[R]. Trondheim, Norway: Norwegian University of Science and Technology, 2006. [41] 王悦, 李锋, 孙晓. 城市家庭消费碳排放研究进展[J]. 资源科学, 2019, 41(07): 1201-1212. [42] 王妍, 石敏俊. 中国城镇居民生活消费诱发的完全能源消耗[J]. 资源科学, 2009, 31(12): 2093-2100. [43] LENZEN M. Structural path analysis of ecosystem networks[J]. Ecological Modelling, 2007, 200(3-4): 334-342.doi:10.1016/j.ecolmodel.2006.07.041 [44] LENZEN M. Environmentally important paths, linkages and key sectors in the Australian economy[J]. Structural Change and Economic Dynamics, 2003, 14(1): 1-34.doi:10.1016/S0954-349X(02)00025-5 [45] YAN J, ZHAO T, KANG J. Sensitivity analysis of technology and supply change for CO2emission intensity of energy-intensive industries based on input-output model[J]. Applied Energy, 2016, 171: 456-467.doi:10.1016/j.apenergy.2016.03.081 [46] 赵志强, 张贺, 焦畅, 等. 全球CCUS技术和应用现状分析[J]. 现代化工, 2021, 41(04): 5-10. [47] 王凯, 李娟, 唐宇凌, 等. 中国服务业能源消费碳排放量核算及影响因素分析[J]. 中国人口·资源与环境, 2013, 23(05): 21-28.doi:10.3969/j.issn.1002-2104.2013.05.004 [48] WANG C, MALIK A, WANG Y, et al. Understanding the resource-use and environmental impacts of bioethanol production in China based on a MRIO-based hybrid LCA model[J/OL]. Energy, 2020, 203.https://ideas.repec.org/a/eee/energy/v203y2020ics0360544 220309841.html. -
点击查看大图
图(5)/
表 (4)
计量
- 文章访问数:636
- HTML全文浏览量:132
- PDF下载量:49
- 被引次数:0
