2019, Vol. 39
[PDF全文]
近年来, 频发的雾霾现象导致大气污染及其主要成因PM2.5排放被全社会广泛关注.京津冀地区是关乎中国经济发展战略转型的重要地区, 但该地区面临的环境形势不容乐观, 尤其是细颗粒物的排放导致雾霾现象频发, 严重影响了城市形象和居民生命健康.其中, 河北省承接京津产业转移, 聚集了大量高耗能工业企业, 因此, 研究河北省各产业对整个地区PM2.5排放的贡献, 对河北省乃至京津冀地区环境管理至关重要.从2017年年初开始, 河北省就划定了“禁煤区”, 推行“煤改气”、“煤改电”政策.但到供暖期, 由于基础设施的不完善, 致使居民无法供暖, 造成了天然气价格疯涨、“气荒”等现象.“煤改气”、“煤改电”等政策是否能够有效减缓PM2.5排放？以煤为主的能源结构是否是PM2.5排放的主要驱动因素？科学回答这些问题对于制定合理可行的减排政策具有重要的指导意义.
围绕PM2.5排放等大气污染问题, 许多学者对污染产生的机理展开了研究(张强等, 2006; 李璇等, 2015; 彭立群等, 2016; 周磊等, 2016).相比其他大气污染物, 一方面由于PM2.5的形成涉及一次和二次过程, 较二氧化碳等单一污染物复杂; 另一方面, 国内外对PM2.5排放及其影响因素的研究工作刚刚起步, 数据较缺乏, 所以大多数对PM2.5的研究往往仅基于监测实验, 分析PM2.5的地域分布污染特征, 或者将细颗粒物的排放视为单纯的环境问题进行讨论, 导致最后所选取的治理对象较为片面(薛文博等, 2014; 程念亮等, 2014; 齐园等, 2015; 张淑平等, 2016).从社会经济驱动力的角度系统探讨PM2.5排放的驱动效应, 能将PM2.5的减排治理与经济政策联系起来, 对未来经济环境协同发展路径的选择有一定的理论和现实指导意义.现有对PM2.5排放的社会经济因素进行分析的方法主要有计量经济学模型(齐园等, 2015; Cai et al., 2017; 段杰雄等, 2018)、投入产出分析(Guan et al., 2014; Yang et al., 2015; Wakeel et al., 2017; Nagashima, 2018)、因素分解模型(Guan et al., 2014; 张永安等, 2014).
其中, 因素分解方法是环境污染驱动力分析的重要手段, 主要包括以MRCI为代表的结构分解方法和以LMDI(对数均值Divisia指数分解)为代表的指数因素分解方法.LMDI应用范围较广, 易于处理大量的数据, 使用起来比较简单, 能有效地对残差进行完全分解并解决零值和负值问题(Ang et al., 2007).Zhang和Ang依据具体算例对能源领域各种分解方法进行了对比, 得出LMDI更适合自下而上研究能源领域问题的结论(Zhang et al., 2004; Ang, 2004).
LMDI方法现阶段主要应用于能源及碳排放影响因素的研究.通过指数分解, 郭朝先(2010)深入探究了产业结构变动对碳排放的影响; 鲁万波等(2013)则创造性地按不同经济增长阶段分部门分别研究了碳排放的驱动因素; Feng等(2015)综合分析了人口增长率、消费量变化、消费模式、生产结构、能源强度和混合燃料这些因素对1997—2013年美国二氧化碳排放量的贡献度; Roinioti等(2017)则尝试剖析二氧化碳排放量与经济危机后希腊经济增长的关系.该方法能够通过对指标的分解, 找出影响指标变化的各种驱动因素, 并分析不同因素变化对指标变化带来的影响, 以此找到指标变化的原因, 是连接经济发展和环境污染变化的桥梁.因此, 越来越多的学者将LMDI方法引入环境污染影响因素的研究中(张强等, 2011; 王奇等, 2012; 杨洁等, 2013; 张陈俊等, 2014).
目前, LMDI方法在PM2.5排放的相关研究中应用仍比较少.但伴随PM2.5排放核算的日益深入, LMDI方法在连接经济部门和环境治理上的桥梁作用越来越凸显, 加之其运用的简便性, 越来越多的学者尝试用LMDI法寻找PM2.5排放的社会经济驱动因素.张永安等(2014)利用LMDI法将2005—2012年北京PM2.5的大气含量分解为五部门的贡献, 呼吁政府将交通部门的交通运输需求、生产部门对化石能源的依赖度及居民生活消费习惯作为今后减排政策的关注重点; 骆迅(2018)则利用中国31个省市最近10年的相关数据, 从雾霾排放系数、煤炭型能源结构、能源强度和经济发展4个方面入手, 建立了人均雾霾污染量的因素分解模型, 揭示出我国不同省市与雾霾污染量相关的主要拉动因素和抑制因素.有些学者针对一个部门进行细化分析, 例如, 陈菡彬等(2018)关注了唐山市工业部门所排放的PM2.5一次源的分解; 谭雪等(2017)侧重分析了火电行业规模、机组结构、能效提升及末端治理等多个因素对火电行业PM2.5减排的影响; 陈菡等(2017)则建立了1992—2014年我国城乡居民生活部门的排放清单, 从不同层面识别了居民生活用能影响大气污染物排放的短板所在.
本研究从整个社会经济系统的各个部门出发, 对区域PM2.5排放的社会经济驱动因素进行更为细化的分解分析, 以期为有指向性地提出PM2.5减排策略提供参考.由于LMDI方法具有完全分解和无残差的特征, 本文采用LMDI指数分解方法, 从生产部门和消费端两个视角对河北省1995—2015年的PM2.5排放变化进行指数分解, 研究不同阶段工业、农业、交通运输业、批发业和生活消费对PM2.5排放变化的贡献, 以找出每个部门中PM2.5排放变化的关键驱动因素.由于PM2.5二次源排放贡献较小且数据不确定性大, 本文仅讨论一次源的排放.
2 数据与方法(Data and methodology) 2.1 数据来源与估算目前, 我国对PM2.5排放的监测工作刚刚起步, 没有官方公布的PM2.5排放量数据.目前研究中使用较多的PM2.5数据库主要是MEIC数据和GAINS数据.其中, 大气污染物相互作用和协同效益模型(GAINS model)是国际应用系统分析研究所(International Institute for Applied Systems Analysis, IIASA)开发的工程化空气质量模型, 自2006年发布以来, 用于指导欧洲空气污染控制协议的关键谈判20余年(Amann et al., 2011).IIASA根据国际能源和工业统计数据、排放清单及各国自己提供的数据, 运用GAINS模型估算每个国家10种空气污染物和6种温室气体的历史排放量, 并对当前至2050年之间以5年为间隔进行预测.其估算的各种排放源的PM2.5排放量通常作为其他模型的输入数据(Nguyen et al., 2011), 具有一定的权威性.关大博(2014)就以IIASA估计的数据作为基准场景的设定解析了京津冀地区PM2.5的排放污染.
本文借助GAINS模型, 应用河北省1990—2015年的分源头PM2.5排放数据作为LMDI分解的基础数据.此外, 结合IIASA估计数据的详细分类和《河北经济年鉴》产业结构的划分, 本课题组将此原始数据分别归于工业、农林牧渔业(简称农业)、批发零售和住宿餐饮业(简称批发业)、交通运输仓储邮政业(简称交通运输业)、建筑业5个生产部门及生活消费.
各年度的河北省总产值、各产业产值、人口总数、居民总收入和能源数据来自于《河北经济年鉴》、《中国统计年鉴》和《中国能源统计年鉴》.为剔除价格效应的影响, 将按当年价格计算的各年产值数据调整为以1978年为不变价格的实际产值, 并将生活消费中出现的居民收入数据调整为以1978年为不变价格的实际收入.
2.2 基于LMDI的因素分解法据程郁泰和张纳军对IDA模型的总结(程郁泰等, 2017), LMDI方法在加权函数的选项上, 通过采用对数均值权重函数来消除分解余项.本文采用LMDI的加法形式的分解, 将河北省PM2.5排放总量Cp归结为5个生产部门及生活消费的分别贡献, 用函数近似为：
|
(1) |
一方面由于数据的局限—GAINS模型原始数据中, 建筑业的PM2.5排放量未做细致分类, 且占比很低, 大约只占0.03%左右; 另一方面, 对比之前学者对河北省霾来源的研究—工业源和居民、商业部门是河北省PM2.5的三大主要排放源(魏巍等, 2013; 关大博, 2014), 建筑业的贡献较低, 所以本文对建筑业不做分解.另外, 按GAINS数据, 农业中秸秆燃烧的PM2.5排放量相较该部门其他因素占据较大的比重, 约70%, 而剩下的30%分散于其他集合型分类, 包括农林牧渔业固定源和移动源等, 无法做到进一步的细致分解, 故农业仅考虑秸秆燃烧造成的PM2.5排放.
LMDI的分解式基于日本教授Yoichi Kaya提出的Kaya恒等式(2).Kaya恒等式将碳排放看作是经济(GDP)、能源消费(PE, 一次能源消费总量)、人口(POP)和政策等因素共同作用的结果, 即把某污染物的排放总结为规模效应、结构效应、活动效应和强度效应四大效应的结果, 建立起了经济、政策和人口等因素与碳排放的联系.
|
(2) |
本文以Kaya恒等式为基础进行改进, 参考鲁万波等(2013)、张永安等(2014)的分解方式, 辅以前人研究中对河北省霾污染的来源分析, 将5个部门PM2.5排放分别归结为规模效应、结构效应、活动效应和强度效应这4个效应其中的3个效应, 具体分解见表 1.
| 表 1 各部门的分解公式 Table 1 The decomposition formulas of different sectors |
 |
于是, 式(1)被进一步分解为式(3), 式中各变量的定义见表 2, i=1, 2, …, 5, 分别代表工业、农业、批发业、交通运输业、生活消费.其中, 工业部门和生活消费部门分解式选取的因素完全借鉴张永安等(2014)的研究, 农业部门、批发业部门和交通运输业部门的分解式因素选取则基于张永安等(2014)、郭朝先(2010)和鲁万波等(2013)的分解方法, 进行了较为合理的创新.
| 表 2 模型中各变量的符号及其含义 Table 2 Symbols and implications of variables in the model |
|
|
(3) |
1990—2015年, 河北省PM2.5的排放量呈现上升趋势, 进入新世纪以来, PM2.5排放量的增加趋势更为明显.但在2010年之后, PM2.5排放问题得到了社会各界的关注, 河北省积极响应国家政府的号召, 出台相应的治理政策, 故2015年相较2010年PM2.5排放量有所降低, 表明河北省政府的治理有了初步成效.
如表 3所示, 各部门的PM2.5排放量差异显著, 工业部门、生活消费和农业部门是河北省前三大PM2.5污染来源.各部门排放较上期的变化率如图 1所示.
| 表 3 1990—2015年河北省PM2.5排放源 Table 3 PM2.5 emissions sources of Hebei Province from 1990 to 2015 |
|
 |
| 图 1 1990—2015年河北省分时期分部门PM2.5排放量变化率 Fig. 1 Change of PM2.5 emissions from different sectors during different time period in Hebei Province |
工业部门对PM2.5贡献一直占据主要地位.自1990年起, 河北省工业部门的PM2.5排放量逐年增加, 至2010年达到1282.08×103 t的峰值后, 2015年回落到1180.18×103 t, 排放量累计增长3.66倍, 总体呈现出“倒U”型态势.就变化率来看, 2010—2015年工业排放量较上期减少7.9%, 表明工业部门PM2.5排放得到了一定程度的控制.
生活消费部门对PM2.5的贡献量仅次于工业部门, 但年排放量较为稳定, 年排放量在400×103 t上下波动.该部门较大的PM2.5排放是由于河北省以煤为主的能源消费结构, 民用燃煤是PM2.5的主要排放途径之一(毋波波等, 2017).
农业部门对PM2.5排放的贡献稳居第三, 排放量整体保持较稳定的态势.在农业生产中, PM2.5主要来源于农业残余物的燃烧, 传统处理方式造成空气中大量固体颗粒物的季节性存在(王艳等, 2018).交通运输业和批发业对PM2.5的贡献量相对较小, 但总体呈现逐年递增的趋势.这两部门的PM2.5排放量变化率走势大致相同, 均在1995—2000年间显著增长, 在2010—2015年出现回落.
3.2 PM2.5排放分部门因素分解结果分析 3.2.1 工业部门工业部门PM2.5排放变化的驱动因素可归结为产值因素、产业结构因素和单位产值排放强度因素, 分别代表规模效应、结构效应和强度效应.根据关大博(2014)的研究, 工业源是河北省PM2.5排放的主要来源, 故将工业部门细分为采矿业、制造业、电力、热力、燃气及水生产和供应业3个子行业进行更为深入的分析, 各子行业的贡献量如图 2a所示.总的看来, 相较1990年, 2015年河北省工业部门PM2.5年排放增加了926.81×103 t, 其中, 产值因素、产业结构因素分别导致PM2.5排放增加1872.25×103 t和6.15×103 t, 单位产值排放强度因素则导致PM2.5排放减少951.59×103 t.可以看出, 产值因素与产业结构因素对PM2.5排放具有促进效应, 其中, 产值因素的增加是该部门PM2.5排放增长的最主要原因, 相比之下, 产业结构因素对PM2.5排放变化的影响有限, 这与原毅军等(2014)的分析结果相一致.单位产值排放强度因素对PM2.5排放增长则具有抑制效应.
 |
| 图 2 河北省工业部门(a)、农业部门(b)、交通运输业(c)、批发业(d)和消费部门(e)1990—2015年PM2.5排放量驱动因素分解 Fig. 2 Driving factors of PM2.5 emissions from industrial sector(a), agricultural sector(b), transportation sector(c), wholesale sector(d) and residential consumption(e) in Hebei from 1990 to 2015 |
工业分行业来看, 采矿业各因素对PM2.5排放变化的影响微乎其微, 而制造业作为河北省的工业支柱, 影响最为显著.制造业中, 产值因素和单位产值排放强度因素对排放变化起到决定性作用.制造业中的冶金、焦化、化工等属于高耗能、高污染行业, 但其生产技术和工艺水平一直在不断改进, “十二五”期间, 河北省加快了由传统高能耗、高污染的低端加工业向高科技、高附加值类产品制造业的转型, 单位产值能耗持续降低, 使单位产值排放强度因素对PM2.5排放变化有明显的抑制效应.
电力、热力、燃气及水生产和供应业是影响PM2.5排放的另一主要工业部门.“十二五”以来, 河北省对该行业通过采取燃用低硫煤、关停小火电机组、节能减耗等综合措施, 对能源生产和使用工艺进行优化(河北省人民政府, 2013), 电力、热力、燃气及水生产和供应业较其他行业率先进入“增产减排”期, 自2005年起排放量下降趋势显著.
3.2.2 农业农业部门的驱动因素可归结为作物产量因素、作物种植结构因素和作物单位产量排放强度因素, 分别代表规模效应、结构效应和强度效应.由于农业部门仅考虑秸秆燃烧带来的PM2.5排放, 故作物单位产量排放强度因素从侧面反映了对秸秆处理的技术水平.产量越大, 则产生的秸秆越多, 在焚烧处理下产生的PM2.5排放就越多.因为秸秆燃烧和粮食种类有关, 所以将农业部门按照小麦、稻谷、玉米和其他进行分析, 其分粮食种类的贡献量如图 2b所示.总体来说, 相较1990年, 2015年河北省农业部门PM2.5年排放增加了19.39×103 t, 其中, 作物产量因素导致PM2.5排放增加63.77×103 t, 作物种植结构因素、单位产量排放强度因素分别导致PM2.5排放减少0.59×103 t和43.79×103 t.作物产量因素对PM2.5排放具有促进效应, 单位产量排放强度因素具有抑制效应, 而种植结构因素对PM2.5排放变化的影响较小, 且呈波动下降趋势.
农业残留物、沼气、薪柴等生物质燃料的燃烧是农业部门PM2.5产生的主要途径(关大博, 2014).农作物的产量增加, 导致传统方式处理农业残留物时排放更多的PM2.5.河北省以小麦和玉米种植为主, 小麦和玉米的作物产量因素对PM2.5排放的促进作用大, 1990—2015年段分别贡献26.64×103 t和24.96×103 t.单位产量排放强度因素反映的是人们对农业残留物处理的技术水平, 虽然2010—2015年此因素呈现出反常的促进作用, 但从1990—2015整个区间来看, 单位产量排放强度因素对PM2.5的排放还是呈现出比较明显的抑制效应.在作物种植结构因素下, 各类型作物的种植比例对农业部门PM2.5排放变化的影响均呈现不确定性, 但各年段的贡献量绝对值均不断下降, 表明种植结构的调整对PM2.5排放变化的影响程度越来越低.
3.2.3 交通运输业交通运输业的驱动因素分为机动车数量因素、机动车结构因素和单位排放强度因素, 分别代表规模效应、结构效应和强度效应.将交通运输部门按照载客汽车、载货汽车和轻便摩托车进行分析, 其分车型的贡献量如图 2c所示.由于2000年以前的河北省经济统计年鉴并未对摩托车保有量数据进行统计, 故在模型分解时, 只研究2000—2015年的各驱动因素对交通运输业PM2.5排放变化的贡献.总体来看, 相较2000年, 2015年河北省交通运输业部门的PM2.5年排放增加了4.88×103 t, 其中, 机动车总量因素、机动车数量结构因素分别导致PM2.5排放增加22.2×103 t和3.75×103 t, 机动车排放强度因素则导致PM2.5排放减少21.07×103 t.机动车总量因素对PM2.5排放具有促进效应, 机动车排放强度因素则有抑制效应, 机动车结构因素大体呈现促进效应.
在机动车总量因素中, 按车型看, 载货汽车总量因素对PM2.5排放的促进效应最大, 这是由于在同一公路等级下, 大型货车是氮氧化物、PM2.5排放的第一大来源(阳冬波等, 2017).自2005年后, 随着人民生活水平的提高, 用来代步的摩托车数量逐渐减少, 轻便摩托车总量因素的促进效应也随之明显减弱.
3种机动车排放强度因素均表现出对PM2.5排放的抑制效应, 其中, 载客汽车和载货汽车的抑制效应不断增强, 这与燃料能源使用效率的提高及排放标准的提高有密切联系.
机动车结构因素对PM2.5排放量的影响不断波动.居民收入提高增加了对小型家用载客汽车的需求, 致使载客汽车结构因素对PM2.5排放起到促进作用.由于轻便摩托车占机动车比例不断减少, 其结构因素的贡献量恒为负值且影响不显著.载货汽车结构因素对PM2.5排放增长总体呈现抑制效应, 仅在2005—2010年间有促进作用.
3.2.4 批发业批发业部门驱动因素可分为人口因素(批发业从业人口)、人均产值因素、单位产值排放强度因素, 分别代表规模效应、活动效应和强度效应, 其贡献量如图 2d所示.相较1990年, 2015年河北省批发业部门PM2.5年排放量增加了2.22×103 t, 其中, 人口因素、人均产值因素分别导致PM2.5排放增加7.26×103 t和10.05×103 t, 单位产值排放强度因素则导致PM2.5排放减少15.09×103 t.除单位产值排放强度因素对批发业的PM2.5排放变化呈抑制效应外, 人口和人均产值这两个因素均促进了PM2.5排放, 人均产值因素对于PM2.5排放的促进效应最明显.
在研究期内, 人均产值因素是批发业PM2.5排放增加的最主要驱动因素, 且自1995年起, 该因素对PM2.5排放的促进效应逐渐增强.批发业从业人员数量不断增加, 批发业部门的经济规模不断扩张, 导致人口因素的贡献恒为正值.从图5看来, 人口因素作为批发业PM2.5排放增加的第二驱动因素, 其贡献一直较为稳定.而单位产值排放强度因素连年呈现负效应.
3.2.5 生活消费生活消费部门的驱动因素可分为人口因素、人均收入因素、单位收入能耗因素、单位能源排放强度因素, 分别代表规模效应、活动效应、能源消费强度效应和能源排放强度效应, 其贡献量如图 2e所示.总体来看, 相较1990年, 2015年河北省生活消费部门PM2.5年排放增加了4.53×103 t, 其中, 人口因素、人均收入因素分别导致PM2.5排放增加78.35×103 t和888.05×103 t, 单位收入能耗因素、能源排放强度因素则分别导致PM2.5排放减少554.72×103 t和407.15×103 t.人口和人均收入因素对PM2.5排放呈现促进效应, 而单位收入能耗及单位能源排放强度因素则呈现抑制效应.
人均收入因素对生活消费部门PM2.5排放的正向影响相较人口因素更大, 这是由于随着人均收入的提高和城镇化, 增加了居民对空调、汽车等耐用品的需求, 最终导致能源消费总量的提高, 促进了PM2.5排放的增加.
单位收入能耗因素对PM2.5排放的负向影响表明生活能源消费结构的转变减少了对煤等高污染能源的使用.能源排放强度因素总体上表现出抑制效应, 仅1995—2000年间成为促进因素, 较为特殊.由于民用燃煤是我国当前所有燃煤行业中一次PM2.5最大的排放源(李庆等, 2016), 因此, 该因素对PM2.5的减排潜力与改进居民用煤的加工技术和推行清洁能源使用密不可分.
4 结论(Conclusions)1) 各部门对PM2.5排放变化的贡献差异较大, 工业、生活消费、农业部门是河北省PM2.5排放的三大来源.其中, 工业部门是PM2.5排放的最主要贡献部门, 占PM2.5总排放量的70%;生活消费部门的贡献位居第二, 占比约24%;农业部门位居第三, 且其比例逐年变小.
2) 对于生产端, 经济规模总量扩张是促使PM2.5排放增加的最主要原因.能源利用效率的提高和污染治理工艺水平的改进使得各部门单位指标排放强度因素抑制了PM2.5的排放.各部门经济结构的调整对PM2.5排放变化均有影响, 但不明显, 结构优化带来的减排潜力还没有发挥出来.
3) 对于消费端, 人均收入因素是促进PM2.5排放的主要因素, 人均收入的提高加速了PM2.5排放量的增加, 通过倡导绿色消费模式可以有效减缓PM2.5的排放.
5 政策建议(Policy recommendations)结合本文的主要结论, 本课题组提出以下几点政策建议和措施.
① 工业方面：单位产值排放强度因素明显有效抑制了工业部门PM2.5的排放, 在工业产业内部推进产业内技术升级和工艺创新对减排意义重大.对此, 河北省工业监管部门应该加强对废气排放的监督, 促使钢铁厂等重化工业企业有效使用和改进烟气脱硫技术及高效除尘技术, 加快构建科技含量高、资源消耗低、环境污染少的绿色制造体系.
② 农业方面：由于粮食供应的需要, 通过限制农作物种植规模来降低PM2.5排放是不可行的, 应从单位作物产量排放强度因素对于PM2.5的减排作用入手, 具体表现为减少单位作物产量的农作物残余和提高农作物残余的利用效率.前者可以推行资源利用率更高的农业发展方式, 比如无土农业、设施农业等来实现; 后者除了改进农作物残余处理方法和利用技术之外, 通过法律法规加大对农业废弃物露天焚烧的惩罚力度, 也是有效可行的方法之一.
③ 交通运输业方面：机动车数量的逐年增加是PM2.5排放增加的重要原因之一, 因此, 河北省政府有必要采取措施控制机动车保有量, 积极向公众宣传绿色出行、乘坐公共交通出行的好处.此外, 机动车排放强度因素对于减少PM2.5排放有较大潜力, 因此, 应提高汽车排放标准及燃油效率来有效降低机动车的排放强度, 对PM2.5减排也大有裨益.
④ 居民生活消费方面：单位能耗排放因素对PM2.5排放的抑制作用, 是保证居民消费端规模不断扩张下实现减排的切入点, 因此, 在基础设施能够保障的前提下, 河北省政府应继续“煤改气”、“煤改电”政策的推行, 加快对天然气资源的开发和利用, 加强民用和小规模商业炉灶的改造, 推动民用燃料由燃煤向燃气转化, 并在此基础上提高能源利用效率, 实现民用能源生产工艺创新, 以此达到降低单位能耗排放并最终降低PM2.5排放的目的.
Amann M, Bertok I, Borken-Kleefeld J, et al. 2011. Cost-effective control of air quality and greenhouse gases in Europe:Modeling and policy applications[J]. Environmental Modelling & Software, 26(12): 1489–1501.
|
Ang B W, Liu F L. 2001. A new energy decomposition method:perfect in decomposition and consistent in aggregations[J]. Energy, 26(6): 537–548.
DOI:10.1016/S0360-5442(01)00022-6
|
Ang B W, Liu N. 2007. Handling zero values in the logarithmic mean divisia index decomposition approach[J]. Energy Policy, 35: 238–246.
DOI:10.1016/j.enpol.2005.11.001
|
Ang B W, Zhang F Q, Choi K H. 1998. Factorizing changes in energy and environmental indicators through decomposition[J]. Energy, 23(6): 489–495.
DOI:10.1016/S0360-5442(98)00016-4
|
Ang B W. 2004. Decomposition analysis for policymaking in energy:while is the preferred method[J]. Energy Policy, 32: 1131–1139.
DOI:10.1016/S0301-4215(03)00076-4
|
陈菡, 於世为. 2017. 中国生活能源消费的典型污染物排放及驱动因素研究[J]. 中国人口·资源与环境, 2017, 27(12): 40–51.
|
陈菡彬, 李璞璞. 2018. 唐山市PM2.5一次源的结构分解分析[J]. 华北理工大学学报:社会科学版, 2018, 18(2): 28–35.
|
程念亮, 李云婷, 孟凡, 等. 2014. 我国PM2.5污染现状及来源解析研究[J]. 安徽农业科学, 2014, 42(15): 4721–4724.
DOI:10.3969/j.issn.0517-6611.2014.15.064 |
Cai S, Wang Y, Zhao B, et al. 2017. The impact of the "Air Pollution Prevention and Control Action Plan" on PM2.5 concentrations in Jing-Jin-Ji region during 2012-2020[J]. Science of the Total Environment, 580: 197–209.
DOI:10.1016/j.scitotenv.2016.11.188
|
程郁泰, 张纳军. 2017. 碳排放IDA模型的算法比较及应用研究[J]. 统计与信息论坛, 2017, 32(5): 10–17.
DOI:10.3969/j.issn.1007-3116.2017.05.002 |
段杰雄, 翟卫欣, 程承旗, 等. 2018. 中国PM2.5污染空间分布的社会经济影响因素分析[J]. 环境科学, 2018, 39(5): 2498–2504.
|
Feng K, Davis S J, Sun L, et al. 2015. Drivers of the US CO2 emissions 1997-2013[J]. Nature Communications, 6: 7714.
DOI:10.1038/ncomms8714
|
郭朝先. 2010. 中国碳排放因素分解:基于LMDI分解技术[J]. 中国人口·资源与环境, 2010, 20(12): 4–9.
DOI:10.3969/j.issn.1002-2104.2010.12.002 |
Guan D, Su X, Zhang Q, et al. 2014. The socioeconomic drivers of China's primary PM2.5 emissions[J]. Environmental Research Letters, 9(2).
DOI:10.1088/1748-9326/9/2/024010
|
关大博. 2014. 雾霾真相:京津冀地区PM2.5污染解析及减排策略研究[M]. 北京: 中国环境出版社.
|
河北省人民政府.2012.《河北省"十二五"农业发展规划(2011-2015年)》[R].石家庄: 河北省农业厅
|
河北省人民政府.2013.《河北省节能减排"十二五"规划》[R].石家庄: 河北省人民政府办公厅
|
李庆, 段雷, 蒋靖坤, 等. 2016. 我国民用燃煤一次颗粒物的减排潜力研究[J]. 中国电机工程学报, 2016, 36(16): 4408–4414+4527.
|
李璇, 聂滕, 齐珺, 等. 2015. 2013年1月北京市PM2.5区域来源解析[J]. 环境科学, 2015, 36(4): 1148–1153.
|
鲁万波, 仇婷婷, 杜磊. 2013. 中国不同经济增长阶段碳排放影响因素研究[J]. 经济研究, 2013, 48(4): 106–118.
|
骆迅.2018.基于LMDI和高斯图模型的中国雾霾成因实证研究[D].武汉: 华中师范大学
http://cdmd.cnki.com.cn/Article/CDMD-10511-1018243215.htm |
Nagashima F. 2018. Critical structural paths of residential PM2.5 emissions within the Chinese provinces[J]. Energy Economics, 70: 465–471.
DOI:10.1016/j.eneco.2018.01.033
|
Nguyen T B, Wagner F, Schoepp W.2011.GAINS-an interactive tool for assessing international GHG mitigation regimes[C]//International Conference on Information and Communication on Technology.Aqaba, Jordan.124-135
|
彭立群, 张强, 贺克斌. 2016. 基于调查的中国秸秆露天焚烧污染物排放清单[J]. 环境科学研究, 2016, 29(8): 1109–1118.
|
齐园, 张永安. 2015. 北京三次产业演变与PM2.5排放的动态关系研究[J]. 中国人口·资源与环境, 2015, 25(7): 15–23.
DOI:10.3969/j.issn.1002-2104.2015.07.003 |
Roinioti A, Koroneos C. 2017. The decomposition of CO2 emissions from energy use in Greece before and during the economic crisis and their decoupling from economic growth[J]. Renewable and Sustainable Energy Reviews, 76: 448–459.
DOI:10.1016/j.rser.2017.03.026
|
谭雪, 石磊, 马中, 等.2017.京津冀地区火电行业环境效率及影响因素分析[C]//中国环境科学学会科学与技术年会.厦门
|
Wakeel M, Yang S, Chen B, et al. 2017. Network perspective of embodied PM2.5 - A case study[J]. Journal of Cleaner Production, 142: 3322–3331.
DOI:10.1016/j.jclepro.2016.10.138
|
毋波波, 薛亦峰, 钟连红, 等. 2017. 京津冀居民燃煤大气污染排放特征及控制对策[J]. 环境保护, 2017, 45(21): 27–31.
|
王奇, 夏溶矫. 2012. 基于对数平均迪氏分解法的中国大气污染治理投资效果的影响因素探讨[J]. 环境污染与防治, 2012, 34(4): 84–87.
DOI:10.3969/j.issn.1001-3865.2012.04.018 |
魏巍, 王丽涛, 潘雪梅, 等. 2013. 河北城市霾污染来源的模拟研究[J]. 环境科学与技术, 2013, 36(2): 116–119.
DOI:10.3969/j.issn.1003-6504.2013.02.023 |
王艳, 郝炜伟, 程轲, 等. 2018. 秸秆露天焚烧典型大气污染物排放因子[J]. 中国环境科学, 2018, 38(6): 2055–2061.
DOI:10.3969/j.issn.1000-6923.2018.06.007 |
薛文博, 付飞, 王金南, 等. 2014. 中国PM2.5跨区域传输特征数值模拟研究[J]. 中国环境科学, 2014, 34(6): 1361–1368.
|
Yang S, Chen B, Fath B. 2015. Trans-boundary total suspended particulate matter (TSPM) in urban ecosystems[J]. Ecological Modelling, 318: 59–63.
DOI:10.1016/j.ecolmodel.2014.10.006
|
阳冬波, 王敏, 邱兆文. 2017. 不同公路等级的汽车油耗和排放评估研究[J]. 科学技术与工程, 2017, 17(12): 108–114.
DOI:10.3969/j.issn.1671-1815.2017.12.019 |
杨洁, 黄蕾, 李凤英, 等. 2013. 中国1991-2010年环境污染事故频数动态变化因素分解[J]. 中国环境科学, 2013, 33(5): 931–937.
DOI:10.3969/j.issn.1000-6923.2013.05.025 |
喻洁, 达亚彬, 欧阳斌. 2015. 基于LMDI分解方法的中国交通运输行业碳排放变化分析[J]. 中国公路学报, 2015, 28(10): 112–119.
DOI:10.3969/j.issn.1001-7372.2015.10.015 |
原毅军, 贾媛媛. 2014. 技术进步、产业结构变动与污染减排-基于环境投入产值模型的研究[J]. 工业技术经济, 2014, 33(2): 41–49.
DOI:10.3969/j.issn.1004-910X.2014.02.005 |
Zhang F Q, Ang B W. 2004. Methodological issues in cross-country/region decomposition of energy and environment indicators[J]. Energy Economics, 23: 179–190.
|
张陈俊, 章恒全, 龚雅云. 2014. 中国结构升级、技术进步与水资源消耗-基于改进的LMDI方法[J]. 资源科学, 2014, 36(10): 1993–2002.
|
张强, KlimontZ, DavidG S, 等. 2006. 中国人为源颗粒物排放模型及2001年排放清单估算[J]. 自然科学进展, 2006, 16(2): 223–231.
DOI:10.3321/j.issn:1002-008X.2006.02.013 |
张强, 王本德, 曹明亮. 2011. 基于因素分解模型的水资源利用变动分析[J]. 自然资源学报, 2011, 26(7): 1209–1216.
|
张淑平, 韩立建, 周伟奇, 等. 2016. 冬季PM2.5的气象影响因素解析[J]. 生态学报, 2016, 36(24): 7897–7907.
|
张永安, 邬龙. 2014. 北京经济发展中PM2.5排放的驱动因素研究[J]. 生产力研究, 2014, 11(1): 57–60.
|
周磊, 武建军, 贾瑞静. 2016. 京津冀PM2.5时空分布特征及其污染风险因素[J]. 环境科学研究, 2016, 29(4): 483–493.
|