丁博¹，张人龙^1,2，刘小红^1,2

¹贵州大学管理学院，贵州 贵阳

²贵州大学喀斯特地区发展战略研究中心，贵州 贵阳

收稿日期：2023年6月16日；录用日期：2023年7月30日；发布日期：2023年8月9日

摘要

中国制造业是工业的重要组成部分，是我国国民经济的支柱，是推进社会主义现代化建设的重要依托。然而，中国制造业碳排放占总行业35.78%，是碳排放增长的主要来源之一。本文采用2005年到2019年中国制造业分行业的碳排放量、能源消耗、增加值以及人口规模面板数据，借鉴Kaya恒等式，构建分行业LMDI分解模型，对中国制造业碳排放量在各个时期的驱动因素进行了实证分析，基于脱钩指数模型，对影响碳排放和经济增长的脱钩关系进行了分析。结果表明：1) 我国制造业能源消费结构不均衡，高碳化特征显著，焦炭为主要燃料；2) 中国制造业碳排放主要集中在黑色金属冶炼和压延加工业、非金属矿物制品业和石油、煤炭及其他燃料加工业等行业。3) 能源强度、能源结构对碳排放增长产生抑制作用，经济增长和行业规模对碳排放增长产生促进作用。4) 制造业的强脱钩状态表明在此期间国家出台的节能减排政策是有效，但是制造业与经济脱钩状态不够稳定性。应在中国制造业重点行业调整能源结构，增加可再生能源利用比例；提高能源利用效率，化解过剩产能，以助推实现碳达峰和碳中和。

关键词

LMDI分解，碳排放，制造行业，脱钩模型

Research on the Driving Factors of Carbon Emissions in China’s Manufacturing Industry

—Based on LMDI Method

Bo Ding¹, Renlong Zhang^1,2, Xiaohong Liu^1,2

¹School of Management, Guizhou University, Guiyang Guizhou

²Karst Area Development Strategy Research Center, Guizhou University, Guiyang Guizhou

Received: Jun. 16^th, 2023; accepted: Jul. 30^th, 2023; published: Aug. 9^th, 2023

ABSTRACT

China’s manufacturing industry is an important component of industry, a pillar of China’s national economy, and an important support for promoting socialist modernization construction. However, carbon emissions from China’s manufacturing industry account for 35.78% of the total industry, making it one of the main sources of carbon emissions growth. This paper uses the Panel data on carbon emissions, energy consumption, added value and population size of China’s manufacturing industries from 2005 to 2019. It draws on Kaya’s identity to build a sub-industry LMDI decomposition model. It empirically analyses the driving factors of China’s manufacturing carbon emissions in each period. Based on the decoupling index model, it analyzes the decoupling relationship between carbon emissions and economic growth. The results indicate that: 1) Coke is the primary fuel for energy consumption in the manufacturing industry, and the high carbonization characteristics of the energy consumption pattern are significant, with ample space for optimizing the energy consumption structure; 2) China’s manufacturing carbon emissions are mainly concentrated in Ferrous smelting and rolling processing industry, non-metallic mineral products industry and oil, coal and other fuel processing industries. 3) Energy intensity and structure have an inhibitory effect on the growth of carbon emissions, while economic growth and industry scale have a promoting effect on the growth of carbon emissions. 4) The solid decoupling state of the manufacturing industry indicates that the energy-saving and emission-reduction policies introduced by the country during this period are effective. Still, the decoupling state of the manufacturing industry from the economy needs to be more stable. We should adjust the energy structure in key manufacturing industries and increase the proportion of renewable energy utilization, improve energy utilization efficiency, resolve excess capacity, and promote carbon peaking and carbon neutrality.

Keywords:LMDI Decomposition, Carbon Emissions, Manufacturing Industry, Decoupling Model

Copyright © 2023 by author(s) and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).

http://creativecommons.org/licenses/by/4.0/

1. 引言

二氧化碳等温室气体的排放加速了全球气候变化进程，导致极端天气事件频繁发生 [1] 。因此，控制温室气体排放、发展低碳经济已成为我国的必由之路。根据中国碳核算数据库(CEADs)统计，中国制造业碳排放占总行业35.78%，是碳排放增长的主要来源之一 [2] 。然而自工业革命以来，制造业是工业的重要组成部分，是我国国民经济的支柱，是推进社会主义现代化建设的重要依托 [3] 。因此，深入研究我国制造业的碳排放与经济增长的脱钩关系以及脱钩的关键驱动因素，将有助于系统地把握制造业发展对环境的影响，制定具体的、科学的制造业碳减排措施。

分解分析方法可以有效识别能源消耗和污染物排放的内在驱动因素 [4] 。以结构分解分析法(SDA)和指数分解分析法(IDA)为代表的分解分析法为解构模型的两大主流 [5] 。SDA方法产生的结果更准确，但其应用需要输入准确的数据作为基础，从而限制了该方法的应用 [6] 。因此，以对数平均迪氏指数(LMDI)分解法为代表的分解分析法得到了广泛的使用，其具有数据易采集、无残差以及易使用等优点，并且可以进一步分析结构效应。

学术界对制造业碳排放进行了大量研究，发现经济增长是碳排放增加的主要促因，碳排放与经济增长脱钩被认为是实现绿色经济发展的关键 [7] 。“脱钩”理论最早在环境研究领域提出的，经济合作与发展组织(OECD)将这一理论发展为描述经济增长和资源消耗两者相关性的概念。其提出的脱钩因子只能粗略地确定经济增长与环境压力的脱钩状态，为了有效衡量脱钩程度，Tapio (2005)在脱钩理论中引入了弹性理论，对脱钩状态进行了细分，使得脱钩模型具有不需要选择基期且具有更完备的脱钩指标的优点 [8] ，受到学者的青睐。

现有关于中国制造业二氧化碳排放驱动因素的研究是从整体角度看待的，没有深入研究每个细分行业的驱动因素。然而，不同类型的制造业碳排放特征具有显著差异，因此，本文采用2005年到2019年中国制造业分行业的碳排放量、能源消耗、增加值以及人口规模面板数据，借鉴Kaya恒等式，构建分行业LMDI分解模型对中国制造业碳排放量在各个时期的驱动因素进行了实证分析，基于脱钩指数模型，对影响碳排放和经济增长的脱钩关系进行了分析。

2. 研究方法与数据来源

2.1. 研究方法

2.1.1. 分行业的LMDI分解

对于分行业制造业碳排放的影响因素分解，借鉴Kaya恒等式，对碳排放印象因素进行分解，公式如下：

$\begin{array}{c}C={\displaystyle \underset{i=1}{\overset{29}{\sum }}{C}_i}={\displaystyle \underset{i=1}{\overset{29}{\sum }}\frac{E_i}{I_i}\times \frac{I_i}{G}\times \frac{G}{P}\times P}\\ ={\displaystyle \underset{i=1}{\overset{29}{\sum }}EI\times IG\times GP\times P}\end{array}$

$\Delta C=C^t-C^0=\Delta C_{EI}+\Delta C_{IG}+\Delta C_{GP}+\Delta C_P$

式中： $EI$ 、 $IG$ 、 $GP$ 、 $P$ 分别为能源结构、能源强度、经济增长和行业规模； $C_i$ 为i行业产生的碳排放量； $E_i$ 为i行业能源消费量；G为制造业的GDP；P为制造业的就业人数； $\Delta C_{EI}$ 、 $\Delta C_{IG}$ 、 $\Delta C_{GP}$ 、 $\Delta C_P$ 分别为各影响因素对碳排放量产生的效应； $\Delta C$ 为总效应； $C^t$ 、 $C^0$ 分别为目标年、基期年碳排放量。

分行业制造业碳排放的驱动效应具体计算公式如下：

$\Delta C_x={\displaystyle \underset{i=1}{\overset{29}{\sum }}L\left(C_i^t,C_i^0\right)\ln \left(\frac{x^t}{x^0}\right)}$

式中： $C_{ij}^t$ 、 $C_{ij}^0$ 分别为目标年和基期年i行业j化石燃料产生的碳排放量；x为上述各影响因素； $\Delta C_x$ 为影响因素x的碳排放效应； $L\left(C_i^t,C_i^0\right)$ 为权重； $x^t$ 和 $x^0$ 分别为目标年和基期年的影响因素值。其中，权重公式如下：

$L\left(C_{ij}^t,C_{ij}^0\right)\{\begin{array}{l}\frac{C_{ij}^t-C_{ij}^0}{\ln C_{ij}^t-\ln C_{ij}^0},C_{ij}^t\ne C_{ij}^0\hfill \\ C_{ij}^t或C_{ij}^0,C_{ij}^t=C_{ij}^0\hfill \\ 0.C_{ij}^t=C_{ij}^0=0\hfill \end{array}$

2.1.2. 脱钩分析

1) Tapio脱钩模型

脱钩理论已被广泛应用于水资源、经济、碳排放等方面的研究，它能够很好地探究经济增长和资源消耗或环境压力之间关系，目前，测度脱钩关系的模型主要有Tapio脱钩模型、OECD脱钩模型。其中，Tapio脱钩模型克服了OECD脱钩指数基期选择的困难，因此，本文采用Tapio脱钩模型构建中国制造业碳排放与经济增长的脱钩模型。其计算公式为：

$\epsilon =\frac{\left(C_t-C_{t-1}\right)/C_{t-1}}{\left(G_t-G_{t-1}\right)/G_{t-1}}=\frac{\Delta C/C}{\Delta G/G}$

其中， $\epsilon$ 表示中国制造业碳排放与经济脱钩关系； $C_t$ 和 $C_{t-1}$ 分别表示t年和 $t-1$ 年的中国制造业碳排放量， $G$ 和 $G_{t-1}$ 分别表示中国t年和 $t-1$ 年的GDP水平。Tapio模型根据 $\epsilon$ 的大小以及 $\Delta C$ 和 $\Delta G$ 的符号将脱钩状态分为8类，具体脱钩状态分类如图1所示。

图1. Tapio脱钩弹性指数划分

2.2. 数据来源与处理

根据原国家质检总局和国家标准委在2017年联合发布的《国民经济行业分类》(GB/T4754-2017)，将中国制造业分为31个子行业，鉴于统计口径的一致性和数据的可得性(某些子行业数据大量年份不连续)，将汽车制造业和铁路、船舶、航空航天和其他运输设备制造业合并且未包括废弃资源综合利用业和金属制品、机械和设备修理业，如下表1所示：

表1. 中国制造业子行业分类

已有的文献大多数采用气候变化专门委员会(IPCC)给出的排放因子计算各类制造业的碳排放，但中国碳排放数据库(CEADs)研究团队依据能耗数据计算排放因子发现，IPCC给出的排放因子比中国实际情况下的排放因子高40%，导致最后估算的碳排放比实际情况要高，因此，本文采用CEADs公布的中国制造业碳排放数据，其余数据均取自《中国统计年鉴》，考虑到样本数据的可得性，本文以1997~2019中国的29种制造业为研究对象，具体如下表2所示。

表2. 数据来源及指标说明

3. 结果与分析

3.1. 能源消费状况分析

从中国制造业能源消费的总体情况来看，2019年能源消费总量为3503.662164百万吨；原煤、焦炭、其他天然气以及生产过程分别占到化石能源消费总量的15.25%、36.46%、18.31%以及19.44%，表明我国制造业能源消费结构不均衡，高碳化特征显著，焦炭为主要燃料，能源结构优化空间较大。具体如下图2所示，分行业来看，非金属矿物制品业能源消费占比为52.89%，是原煤和生产过程的主要消费行业，黑色金属冶炼和压延加工业能源消费占比为31.73%，是焦炭和其他燃气的主要消费行业，石油、煤炭及其他燃料加工业以及化学原料和化学制品制造业能源消费占比分别为4.9%和4.67%，消费的能源主要是原煤和焦炭。

图2. 2019年中国制造业细分行业分品种能源消费情况

3.2. 碳排放现状分析

2010~2019年中国制造业碳排放量由3397.84百万吨上升至3504.82百万吨，增加了106.98百万吨(图3)。其中，黑色金属冶炼和压延加工业的贡献量最大，是制造业碳排放总增量的3.65倍，石油、煤炭及其他燃料加工业和金属制品业2各行业的碳排放量同样表现为正增长，而其他27各行业的碳排放量表现为减少，降幅介于0.93~37.21百万吨之间。

结合中国制造业细分行业碳排放量(图3)可以看出，中国制造业碳排放主要集中在黑色金属冶炼和压延加工业、非金属矿物制品业和石油、煤炭及其他燃料加工业等行业，近些年均呈现上升趋势。因此，对于改善碳排放总量高、碳排放强度大的行业能源消费结构是碳减排工作的重中之重。

图3. 中国制造业细分行业碳排放量

3.3. 碳排放影响因素分解分析

1) 能源结构效应

2007~2011年制造业能源结构对碳排放的贡献处于正向，从2014年开始，制造业能源结构对碳排放的抑制作用逐渐增强，在2017年抑制能力最大，在2007~2016年黑色金属冶炼和压延加工业对碳排放的贡献处于正向，尤其是2011年贡献最高，达到了181.57百万吨，2018年对碳排放的贡献为91.82百万吨，其次是非金属矿物制品业对碳排放的贡献度高，在2013年贡献度最高，达到了106.86百万吨。化学原料和化学制品制造业在2008年-2017年对对碳排放表现为抑制作用，尤其是2016年、2018年和2019年减少了碳排放42.25、43.01、35.58百万吨。因此，能源结构比重的变化会影响碳排放量，制造业在发展过程中能源消费以煤炭为主，其排放系数较高，通过调整制造业能源消费结构，增加其他能源消费比例，将有助于减少行业碳排放。

2) 能源强度效应

能源强度在2006~2008年对于碳排放均表现出抑制作用，尤其是2010年和2011年减少了碳排放389.58、385.78百万吨，表明了中国制造业能源利用效率不断提高，对于节能技术的逐渐升级。分行业看，大部分行业对碳排放表现出抑制作用，石油、煤炭及其他燃料加工业只在2015年对碳排放表现出促进作用，贡献达到了22.44百万吨碳排放，黑色金属冶炼和压延加工业旨在2009年对碳排放表现出促进作用，贡献达到了55.83百万吨碳排放，这些子行业都是能源密集型产业，其他子行业同样只有个别年份对碳排放表现出促进作用，且均值在2.1百万吨。因此，制造业从能源强度方面降低碳排放具有较大的潜力。

3) 经济增长效应

从2006年到2019年，经济增长效应在碳排放量排放方面表现先增加后减少的趋势，在2008年由于经济增长效应所导致的碳排放量达到最大值440.42百万吨，这是由于2006年之后中国加快城市化进程，制造业飞速发展，在2011年之后随着我国产业结构调整，制造业从高速发展转变为中高速发展，分行业来看，黑色金属冶炼和压延加工业和非金属矿物制品业对碳排放贡献度最大，在2010年由于经济增长效应所导致的碳排放量达到138.4、181.91百万吨，其次，在2010年，石油、煤炭及其他燃料加工业和化学原料和化学制品制造业由于经济增长效应所导致的碳排放量为16.28、28.33百万吨，其他子行业由于经济增长效应所导致的碳排放量都低于10百万吨。尽管中国经济增长对于制造业碳排放增加的促进作用降低，但经济增长效应仍是制造业碳排放量增加的最主要因素。

4) 行业规模效应

行业规模效应对制造业排放量的增加表现为先促进作用后抑制作用，2006年到2017年，行业规模效应对制造业排放量增加表现为促进作用，在2013年达到最大值531.81百万吨，2015年到2019年表现为抑制作用在2018年，减少碳排放量达到最大值117.3百万吨。分行业看，非金属矿物制品业和黑色金属冶炼和压延加工业在2006年到2013年对碳排放量增加都处于促进作用，在2013年达到最大值269.28、360.42百万吨，在2014年到2019年对碳排放量增加都处于抑制作用，在2018年抑制作用达到最大值117.05、179.72百万吨。

3.4. 碳排放与经济增长脱钩分析

针对中国制造业碳排放和经济发展的脱钩情况，具体如下表3所示，首先，通过计算我国的2005年到2019年的制造业碳排放和以2019年为不变价的制造业增加值，然后，分别计算每年的碳排放增长率和制造业增加值增长率，最后得到中国制造业14年的脱钩系数。总体而言，中国制造业在2006年到2014年脱钩状态不稳定，在2009年出现扩张负脱钩，其他时间都为弱脱钩，表现出经济稳定增长，制造业碳排放量以较快的速度增长，2015年到2018年为强脱钩，在2015年到2018年期间，由于长期的产业结构调整，制造业经济规模减少，但碳排放仍然按照较快速率增长，导致中国制造业碳排放与经济间出现长期的强脱钩状态，随着政府对其重视，环保政策措施由行政手段向多方面手段延伸，出台了多项减排政策，相继关停排放不达标、严重污染环境的制造行业。在2019年中国制造业碳排放与经济状态转为弱脱钩状态。

表3. 中国制造业碳排放与经济脱钩结果

4. 结论与对策

本文采用2005年到2019年中国制造业分行业的碳排放量、能源消耗、增加值以及人口规模面板数据，通过构建分行业LMDI分解模型对中国制造业碳排放量在各个时期的驱动因素进行了实证分析，基于脱钩指数模型，对影响碳排放和经济增长的脱钩关系进行了分析。

1) 从中国制造业能源消费的总体情况来看，2019年原煤、焦炭、其他天然气以及生产过程分别占到化石能源消费总量的15.25%、36.46%、18.31%以及19.44%，焦炭是制造业能源消费的主要燃料，能源消费格局的高碳化特征显著，能源消费结构优化空间较大。因此，调整能源结构，增加可再生能源利用比例，减轻化石能源消费对气候变化的影响，推动煤炭高效清洁利用势在必行。

2) 中国制造业碳排放主要集中在黑色金属冶炼和压延加工业、非金属矿物制品业和石油、煤炭及其他燃料加工业等行业，近些年均呈现上升趋势。因此，对于改善碳排放总量高、碳排放强度大的行业能源消费结构是碳减排工作的重中之重。

3) 在能源结构效应方面，制造业在发展过程中能源消费以煤炭为主，其排放系数较高，造成碳排放量增长迅速。能源强度方面，中国制造业能源利用效率不断提高，对于节能技术的逐渐升级。在经济增长方面，经济增长效应仍是制造业碳排放量增加的最主要因素。在行业规模方面，行业规模效应对制造业排放量的增加表现为先促进作用后抑制作用。因此，根据不同分行业的特点，选择合理的措施，从而提高能源利用效率，化解过剩产能，提升价值创造力。

4) 中国制造业在2006年到2014年脱钩状态不稳定，在2009年出现扩张负脱钩，其他时间都为弱脱钩，2015年到2018年为强脱钩状态，在2019年中国制造业碳排放与经济状态转为弱脱钩状态。因此，制造业的强脱钩状态表明在此期间国家出台的节能减排政策是有效，但是制造业与经济脱钩状态不够稳定性，中国仍需进一步加大调整力度，降低制造业的碳排放。

基金项目

国家自然科学基金地区项目，编号(72261005)，数据驱动下考虑学习与恶化效应的绿色制造资源配置方法研究；贵州省省级科技计划项目：数据驱动下基于集成学习的云制造资源配置及其应用研究(编号：黔科合基础-ZK [2021]一般339)；贵州省省级科技计划项目：数据驱动下基于深度计算的智慧云物流资源配置方法及其应用研究(编号：黔科合基础-ZK [2022]一般080)；贵州省哲学社会科学规划课题一般项目：数字经济对贵州高质量发展的溢出效应及其传导机制研究(编号：21GZYB09)；产业集聚对绿色发展的时空差异及传导机制研究(编号：21GZYB10)；贵州大学“研究基地及智库”重点专项课题：数字经济对贵州省新型工业化发展的影响要素及其路径研究(编号：GDZX2021031)。

文章引用

丁 博,张人龙,刘小红. 中国制造业碳排放驱动因素研究——基于LMDI方法
Research on the Driving Factors of Carbon Emissions in China’s Manufacturing Industry—Based on LMDI Method[J]. 运筹与模糊学, 2023, 13(04): 2980-2989. https://doi.org/10.12677/ORF.2023.134299

参考文献