为实现《巴黎协定》制定的全球升温不超过工业革命前2 ℃, 并努力控制在1.5 ℃内的目标, 全球温室气体(GHG)减排力度必须要比现有水平至少提升5倍才能实现协定所要求的碳减排量(UN Environment Programme, 2019).中国是GHG排放大国, 且在其提交的《国家自主贡献(NDC)》中确定了到2030年二氧化碳(CO2)排放达到峰值并力争尽早达到峰值的目标(生态环境部, 2019).农业部门是GHG排放的重要来源之一, 据统计, 2014年我国农业部门排放的GHG总量为0.830×109 t CO2-eq, 占中国GHG总排放量的6.7%(生态环境部应对气候变化司, 2019a).农业活动成为仅次于能源活动、工业生产活动的第三大GHG排放源, 此外, 农业源的CH4和N2O减排成本低, 被视为推动GHG减排的重要组成部分(生态环境部应对气候变化司, 2019b).因此, 研究农业源CH4和N2O排放规律, 推动农业源CH4和N2O减排, 对促进中国生态环境改善及农业可持续性发展、推动中国下一轮NDC的制定及2030年GHG减排目标的实现具有重大意义.
经济合作与发展组织(OECD)认为经济发展与环境质量恶化之间的关系可以脱钩(OECD, 2002), Tapio在此基础上提出了弹性脱钩理论(Tapio, 2005).国内学者基于Tapio弹性脱钩理论, 研究了农业(李波等, 2012; 田云等, 2012; 陈瑶等, 2014; Luo et al., 2017)、电力(Guo et al., 2018)、能源(Tian et al., 2013)、交通(Wang et al., 2019)等多行业(齐绍洲等, 2015; 夏勇等, 2016; Li et al., 2019; Liang et al., 2019; 周灵, 2019)的GHG排放与经济脱钩状况.此外, 由于对数平均迪氏指数(LMDI)方法具有可以提供具体、准确和完整的分解结果, 以及可以消除分解过程中的“0”值问题和残差问题等优点(Ang, 2004; Wood et al., 2006; 金涛等, 2011; 刘玉等, 2014), 国内外学者在研究效率、结构、技术等因素对脱钩效益的贡献时, 均基于宏观数据, 采用LMDI方法在国家、省、市或行业层面进行分解分析, 并对韩国(Jeong et al., 2013)、中国(Tian et al., 2013; Lin et al., 2018)、日本(Kuriyama et al., 2019)等国家及中国京津冀(王开等, 2017)等地区的工业、农业等能源相关行业GHG排放的影响因素进行了分解分析.现有研究多从能源消费的角度核算农业GHG排放并进行因素分解, 即仍将农业作为能源消费行业进行分析, 但LMDI方法不仅可以对能源行业的因素进行分解, 同时也被广泛应用于其他行业和领域,
通过LMDI方法识别影响因素及寻根溯源(刘玉等, 2014; 苗红等, 2019; 赵明正等, 2019).故本文采用IPCC清单法核算种植业和畜禽养殖业等农业源CH4和N2O排放量, 基于中国1980—2018年农业源CH4和N2O排放清单数据(李阳等, 2020), 引入Tapio弹性脱钩理论、LMDI因素分解方法和脱钩努力模型来分析中国农业源CH4和N2O排放的影响因素, 揭示其影响机制和机理, 以期为中国农业源CH4和N2O减排政策及对策制定提供数据基础和信息支撑.
2 研究方法(Research method) 2.1 农业源甲烷和氧化亚氮排放核算方法采用《2006年IPCC国家温室气体清单指南》(IPCC, 2006)与2011年中国《省级温室气体清单编制指南(试行)》(国家发展和改革委员会应对气候变化司, 2011)的方法, 核算稻田CH4排放、农用地N2O排放、畜禽肠道发酵产生的CH4及粪便管理产生的CH4和N2O, 计算方法见式(1).
(1) |
式中, E为农业源CH4和N2O总排放量(109t, 以CO2-eq计);Ei为i种农业源GHG排放量(109t, 以CO2-eq计);EFi和αi分别为第i种农业源GHG排放因子和活动量; x为全球增温潜势(GWP)换算因子, 由于国内外学者普遍运用IPCCAR4的GWP, 故N2O和CH4的增温潜势分别为298和25(Solomon et al., 2007; Shang et al., 2011).
2.2 农业源甲烷和氧化亚氮排放及农业总产值增长间的脱钩分析Tapio提出的脱钩弹性(脱钩指数)是环境压力和经济发展动力的比值.当GHG排放量增速为负或其增速小于经济增速时的状态为脱钩.Tapio的脱钩细化指标如表 1所示.本文运用Tapio模型并分别选取现期农业源CH4和N2O总排放量与基准年农业源CH4和N2O总排放量的比值及现期相对于基期农业总产值增幅与基准年总产值的比值对其脱钩关系进行分析, 计算公式见式(2).
(2) |
式中, t为脱钩弹性值, 即脱钩指数;ΔE/E、ΔAGRI/AGRI分别为农业发展面临的环境压力和经济发展动力, 即分别为中国农业源CH4和N2O总排放量增速及其产值增速, 且核算时以前一年为基准年.
参考齐静等(2012)提出的评价脱钩状态波动状态的脱钩稳定性指标, 评价农业源CH4和N2O排放与农业总产值脱钩状态的波动情况, 公式见式(3).
(3) |
式中, N为样本数;ti、ti+1分别为第i期和i+1期的脱钩指数;Sd为脱钩的稳定性指标, 数值越大, 表示脱钩状态越不稳定, 反之则表示脱钩状态越稳定.
2.3 基于LMDI的农业源甲烷和氧化亚氮排放的因素影响分析模型本文基于Kaya恒等式的改进式(Kaya, 1989), 从经济发展水平、农业产业结构、人口规模和产出效率等因素对中国农业源CH4和N2O排放的影响因素进行分解, 具体见式(4).
(4) |
式中, Ei为农业源CH4和N2O总排放量(109t, 以CO2-eq计);AGRI为农业总产值(种植业和畜牧业总产值)(亿元);Y为国内生产总值(GDP)(亿元);P为人口总量(亿人);Ei/AGRI为农业生产效率(农业碳排放强度);AGRI/Y为农业产业结构(农业总产值在GDP中的比例);Y/P为人均GDP.上述效率因素、结构因素、经济因素和人口规模因素指标均已标准化, 各指标之间具有可比性.由于本研究存在时间跨度较大且农产品价格波动导致农业总产值出现波动, 这也将对LMDI分解分析产生影响, 故本文的农业总产值和GDP等经济指标均采用可比价格(以1980年不变价格计算).
接下来采用LMDI方法的加和分解方法, 即ΔEt=Etk-Et0, 由此分析农业生产效率、农业产业结构、农业经济水平及人口规模等因素对农业源N2O和CH4排放的影响.本文参考Ang(2015)提出的8种LMDI模型及基本公式, 根据LMDI分解方法将农业源CH4和N2O排放分解为经济因素、效率因素、结构因素和人口规模因素(徐国泉等, 2006; 卢娜, 2011; 王文超, 2013; 陈瑶, 2016).
(5) |
(6) |
(7) |
(8) |
(9) |
式中, ΔEt为农业源CH4和N2O总变化量(109t, 以CO2-eq计), Et0是基期农业源CH4和N2O排放量(109t, 以CO2-eq计), Etk是第k期农业源CH4和N2O排放量(109t, 以CO2-eq计), ΔEL、ΔLA、ΔAP和ΔP分别为由经济因素、效率因素、结构因素和人口规模因素导致的农业源CH4和N2O总变化量(109t, 以CO2-eq计).式(6)~(9)中, 各指标以各自初始值为底进行了标准化, 避免出现因指标未进行标准化而产生偏差的情况.
2.4 基于因素分解的农业源甲烷和氧化亚氮排放的脱钩努力模型为进一步衡量各影响因素相关的农业源CH4和N2O减排措施的效果, 从农业源CH4和N2O总排放量中剔除由经济因素导致的CH4和N2O排放量, 重新衡量其他影响因素对碳减排的实际效果, 在本文中主要包括提高农业生产效率、优化农业产业结构和控制人口规模等.本文基于Diakoulaki等(2007)的分析思路, 根据公式(5)构建如下脱钩努力分解模型:
(10) |
(11) |
式中, ΔEe为现期相对于基期剔除经济增长因素后农业源CH4和N2O排放量的变动, D为剔除经济因素的脱钩努力指数.DEL、DLA和DP分别为农业碳排放强度降低、农业产业结构优化和控制人口规模的脱钩努力程度.当D≥1时为“强脱钩努力”, D≤0时为“无脱钩努力”, 0 < D < 1时为“弱脱钩努力”.
3 数据来源(Data sources)本研究所需数据来自《中国统计年鉴》、中国31个省(市)地区的统计年鉴、国家数据(http://data.stats.gov.cn)及中国经济社会大数据研究平台(http://data.cnki.net).
4 结果与分析(Results and analysis) 4.1 中国农业源甲烷和氧化亚氮排放情况分析1980年中国农业源CH4和N2O排放量为0.56×109 t CO2-eq, 1980—2018年中国农业源CH4和N2O排放量整体呈上升趋势, 2018年中国农业源CH4和N2O排放量上升至0.73×109 t CO2-eq, 增加了30.65%.从结构上来看, 畜禽养殖业排放的CH4和N2O在1980—2014年始终是中国农业源CH4和N2O的最大来源, 其排放量由1980年的0.28×109 t CO2-eq上升至2014年的0.38×109 t CO2-eq, 占比由1980年的51.53%下降至2018年的50.03%.2015年起种植业CH4和N2O排放量超过畜禽养殖业CH4和N2O排放量, 成为中国农业源CH4和N2O的最大来源, 2018年畜禽养殖业CH4和N2O排放量降至0.36×109 t CO2-eq, 占比降至49.61%(图 1).
1980—2018年, 中国畜养的畜禽数量整体上升, 畜禽养殖业CH4和N2O排放量上升主要是由于牛、猪、山羊和绵羊等畜禽存栏量增加, 1980年牛、猪、山羊和绵羊的存栏量分别为7176.60万头、30543.10万头、8068.40万只和16238.77万只, 2018年分别为8915.28万头、42817.11万头、13574.69万只和16138.82万只, 分别增长了24.38%、40.19%、68.25%和51.36%, 故畜禽肠道发酵及粪便管理产生的CH4和N2O排放量呈上升趋势.
稻田的CH4排放量由1980年的0.24×109 t CO2-eq下降至2018年的0.21×109 t CO2-eq, 占比由1980年的43.05%下降至2016年的28.26%.自20世纪80年代起, 中国南方水稻的耕作制度逐渐由双季稻改为单季稻, 从空间角度看, 中国南方水稻种植的比重下降, 东北地区水稻种植的比重上升, 与此同时, 单产提高及生产技术进步使得中国水稻的播种面积整体减少(程勇翔等, 2012).1980年中国的水稻、早稻、晚稻和单季稻的播种面积分别为3387.85×104、1111.01×104、1116.82×104和1160.01×104 hm2, 2018年分别为3018.95×104、479.13×104、527.28×104和2012.53×104 hm2, 即水稻、早稻和晚稻播种面积分别下降了10.89%、56.87%和52.79%, 单季稻播种面积上升了73.49%, 虽然单季稻播种面积上升, 但由于增幅有限且其排放因子相较于早稻、晚稻低, 故稻田的GHG排放量呈下降趋势.
农用地的N2O排放量由1980年的0.04×109 t CO2-eq上升至2018年的0.16×109 t CO2-eq, 占比由1980年的6.41%上升至2018年的22.03%.中国的复合肥和氮肥施用量整体呈持续上升趋势, 复合肥和氮肥的施用量分别由1980年的27.2万t和934.20万t上升至2018年的2268.84万t和2065.43万t, 分别上升了8241.32%和121.09%.单位耕地面积的氮肥施用量和复合肥施用量分别由1980年的94.07 kg · hm-2和2.74 kg · hm-2上升至2018年的153.11 kg · hm-2和168.19 kg · hm-2, 分别上升了62.75%和6040.38%, 施肥量持续上升导致农业生产过度依赖化肥、施肥过量、化肥流失等问题(栾江等, 2013).虽然中国已于2015年起开始实施“化肥零增长”措施, 且2018年中国复合肥及氮肥的总施用量相较于2015年有小幅下降, 但其施用量仍远大于1980年复合肥及氮肥的总施用量, 即由于1980—2018年中国复合肥及氮肥的总施用量整体呈上升趋势, 故1980—2018年中国农用地的GHG排放量整体呈上升趋势.
4.2 中国农业源甲烷和氧化亚氮排放及农业产值增长间的脱钩情况分析1980—2018年中国农业源CH4和N2O排放量与农业总产值之间的脱钩类型整体呈弱脱钩状态(图 2), 其中, 1980—1988年中国农业源CH4和N2O排放量与农业总产值之间的脱钩类型以弱脱钩为主.中国农业源CH4和N2O排放量与农业总产值自1980年呈现弱脱钩, 1981年呈现强脱钩后, 1982—1988年始终保持弱脱钩状态, 即除1981年外均呈弱脱钩状态.稻田的CH4排放量自1980年起呈下降状态, 1980—1981年农用地和畜禽养殖业相关的农业源CH4和N2O排放量增幅较小, 使中国农业源CH4和N2O排放量下降, 而经济仍保持增长趋势, 故此时出现短暂的强脱钩状态.1982—1988年农业经济与农业源CH4和N2O排放量均呈上升趋势, 且温室气体排放量增长缓慢, 从强脱钩状态恢复到弱脱钩状态.从整体上看, 1980—1986年中国农业源CH4和N2O排放量与农业总产值之间的脱钩类型为弱脱钩, 即随着农业经济增长, CH4和N2O排放量保持低速增长状态.
1989—1998年中国农业源CH4和N2O排放量与农业总产值之间的脱钩类型仍以弱脱钩为主, 其中, 1989—1995年始终保持弱脱钩状态, 1996年出现强脱钩状态.1996年出现CH4和N2O排放量下降的情况, 相较于1995年, CH4和N2O排放量下降了0.07×109 t CO2-eq, 而经济仍保持增长, 即出现强脱钩状态.1996年和1997年分别呈强脱钩状态和增长连接主要是由于1996年的第一次农业普查后畜禽养殖数据的统计口径根据普查结果进行了调整, 畜禽养殖量出现较大变化, 导致畜禽养殖的CH4和N2O排放量下降.从整体上看, 1989—1998年中国农业源CH4和N2O排放量与农业总产值之间的脱钩类型为弱脱钩.
1999—2008年中国农业源CH4和N2O排放量与农业总产值之间的脱钩类型出现强负脱钩、强脱钩和弱脱钩等状态, 上述状态中除衰退脱钩和强脱钩状态外, 无论经济呈现增长还是衰退状态, CH4和N2O排放量均有不同程度的上升.中国农业源CH4和N2O排放量与农业总产值在1999年呈强负脱钩, 此时CH4和N2O排放量增加, 农业总产值出现了小幅下降, 即经济呈衰退状态且延续到2000年; 2000—2003年整体呈强脱钩, 即此时表现为经济增长, 农业源CH4和N2O排放量缓慢减少.自2000年起始终呈强脱钩状态主要与1999年后由双季稻改种单季稻导致的中国水稻播种面积下降速度加快有关(程勇翔等, 2012).1999—2008年整体呈强脱钩状态, 相较于1999年, 2008年农业总产值增加了26930.34亿元, 农业源CH4和N2O排放量却减少了0.03×109 t CO2-eq, 即随着经济增长, 农业源CH4和N2O排放量整体呈缓慢减少状态.
2009—2018年中国农业源CH4和N2O排放量与农业总产值之间的脱钩类型由强脱钩和弱脱钩构成, 除2010年、2011年、2015年、2016年和2018年呈强脱钩状态外, 其余年份均呈弱脱钩状态.中国在2012—2014年始终处于弱脱钩状态, 随着经济增长, 农业源CH4和N2O排放量缓慢增长, 即农业源CH4和N2O排放量与农业总产值均呈上升状态, 而农业总产值的增速明显快于温室气体排放量的增速, 而在此之前的2010—2011年和之后的2015—2016年, 虽然农业总产值仍保持增长状态, 但CH4和N2O排放量出现小幅下降, 呈强脱钩状态.2016—2018年农业总产值持续增长, 但由于牛、山羊和绵羊的存栏量出现先增后降, 畜禽养殖业相关的CH4和N2O排放量在2016—2017年和2017—2018年分别呈增长和降低状态, 故2017年和2018年分别呈弱脱钩和强脱钩.
如上所述, 1980—2018年中国农业源CH4和N2O排放量与农业总产值之间整体呈弱脱钩状态, 脱钩指数为0.006.由于呈弱脱钩状态且脱钩指数远低于0.8, 接近于其1%的水平, 表明对于中国整体而言, 随着农业经济增长, 农业源CH4和N2O排放量缓慢增加.由于脱钩指数较低, 即CH4和N2O排放量增速相较于农业经济增速缓慢很多.根据公式测算中国农业源CH4和N2O排放量与农业总产值之间脱钩状态的稳定状态, 其稳定指数Sd为3.15, 变化率远远超过1, 说明中国农业源CH4和N2O排放量与农业总产值的脱钩状态的稳定性较差, 虽然整体呈弱脱钩状态, 且从2015—2016年起出现强脱钩状态且脱钩效果增强, 但其脱钩状态不稳定.
在保障中国14亿人口的粮食安全的前提下, 解决中国脱钩状态不稳定的现状要强化政策引导, 在保证产量的基础上提高农产品的品质, 即要保证在生产当前产量的农产品不会导致产品品质降低, 并尽量提高产品品质, 由“只重视产量”的农业生产模式向“产量和质量并重”的农业生产模式转变, 逐步改善农产品的品质.
4.3 基于LMDI的中国农业源甲烷和氧化亚氮排放影响因素情况分析在效率因素、结构因素、经济因素和人口规模因素中, 经济因素和人口规模因素的测算值为正值, 即经济因素和人口规模因素与农业源CH4和N2O排放量正相关, 均呈正效应.经济因素在1980—2018年的所有年份中对农业源CH4和N2O排放量贡献最多的是1995年的0.04×109t CO2-eq.农业经济发展对中国农业源CH4和N2O排放量的影响最大, 累计增加的农业源CH4和N2O排放量达3.54×109t CO2-eq(图 3). 1980—2018年中国经济高速发展, 人们生活水平进一步提升, 除了对普通农产品和优质农产品的需求进一步提高外, 种养规模和种养技术也进一步提升, 使农业源CH4和N2O排放量不断增加.因此, 随着农业经济的持续平稳发展, 经济因素仍将是中国农业源CH4和N2O排放的最主要影响因素.人口规模因素在1980—2018年的所有年份中对农业源CH4和N2O排放量的贡献均未超过0.01×109 t CO2-eq, 累计增加的农业源CH4和N2O排放量为0.24×109t CO2-eq(图 3).人口规模因素相较经济因素对农业源CH4和N2O排放量的贡献程度低, 且其贡献量由1980年的0.007×109 t CO2-eq降至2018年的0.003×109 t CO2-eq.1980—2018年中国的人口规模不断上升, 由1980年的9.87亿人上升至2018年的13.95亿人, 人口规模增加拉动农业源CH4和N2O排放量增长的主要原因如下:首先, 随着人口增长, 生产规模及产量随着需求而扩大, 从而导致温室气体排放量增长; 其次, 人口增长改变了土地利用方式, 更多的土地被划入城镇, 大大加速了城镇化水平.中国的人口基数大, 老龄化问题严重, 虽然人口增速已放缓, 但随着城镇化速度的加快、人口生育政策的调整(“二孩政策”)及社会资源向城市集中所导致的人口汇聚效应, 城镇的常住人口规模会进一步加大, 未来可考虑通过保持合理的生育率来优化我国的人口结构、缓解人口老龄化问题, 通过推进乡村振兴战略建设让更多社会资源向农村地区集中, 以缓解由城镇人口规模而导致的GHG排放问题(吴贤荣等, 2017; 刘博文等, 2018).
效率因素、结构因素测算值为负, 即上述两个因素对农业源CH4和N2O排放量增长呈抑制作用.其中, 由于农业生产效率和农业产业结构调整, 使中国累计减少的农业源CH4和N2O排放量分别为2.48×109 t CO2-eq和1.13×109 t CO2-eq(图 3).抑制作用最大的因素为生产效率因素, 农业科技进步在很大程度上对生产效率产生了影响, 科技进步不仅可以改善产品质量、提高生产率及改善环境质量, 同样对农业增长存在显著正效应(陆文聪等, 2013; 刘玉春等, 2013).经研究发现, 从1980年起生产效率因素对农业源CH4和N2O排放的抑制作用逐渐增加, 但其波动性较大.而产业结构对CH4和N2O排放的抑制作用从2010年起整体呈减弱趋势, 即短期内会由于农业的规模化发展、农业科技进步等原因产生较高的农业源CH4和N2O减排效益, 但长期内种养方式及技术都会趋于稳定, 减排效果会被快速削弱.为保持CH4和N2O的减排能力, 就要不断加大促进CH4和N2O减排的农业科技水平、区域内种养结构调整、管理水平及模式的创新力度.结构因素的抑制作用仅次于生产效率因素, 其中, 1985年的减排效果最好, 达0.06×109 t CO2-eq, 说明随着人们对优质农产品需求的增加, 农业产业的种养结构会进一步优化.
4.4 中国农业源甲烷和氧化亚氮排放的脱钩努力情况分析根据式(10)和(11), 剔除经济因素后的中国农业源CH4和N2O排放的脱钩努力情况如图 4所示. 1980—2018年效率因素、结构因素和人口规模因素整体的脱钩努力情况呈弱脱钩努力状态, 脱钩努力指数D=0.95, 小于1. 1980—2018年的不同年份均未出现无脱钩努力状态, 促进农业源CH4和N2O减排努力的效果呈强脱钩努力状态和弱脱钩努力状态, 即农业源CH4和N2O减排努力大于等于农业源CH4和N2O排放的增加, 始终呈有效状态.从各个脱钩努力指标来看, 1980—2018年人口规模因素始终呈无脱钩努力状态, 即脱钩努力指数D始终小于0, 整体脱钩努力指数D=-0.07 < 0, 控制人口规模的作用不明显, 而人口因素的负向脱钩努力值并不大, 说明控制人口规模是有一定成效的.1980—2018年结构因素和效率因素虽均出现无脱钩努力状态的年份, 但绝大多数年份均呈强脱钩努力状态或弱脱钩努力状态, 脱钩努力指数分别为0.32和0.70, 整体上结构因素和效率因素均呈弱脱钩努力状态.也就是说, 效率因素对脱钩努力指数的影响最大, 结构因素的贡献仅次于效率因素, 而人口因素呈无脱钩努力状态.
1980—2018年中国农业源CH4和N2O排放量由0.56 ×109t CO2-eq上升至0.753×109 t CO2-eq, 各农业活动的贡献情况始终呈现畜牧业占比最高、稻田次之、农用地最低的趋势.从脱钩情况看, 1980—2018年随着中国经济的增长, 农业源CH4和N2O排放量缓慢增加, 整体呈弱脱钩状态, 但其稳定指数Sd为3.15, 即脱钩状态稳定性较差.从LMDI因素分解角度看, 农业经济因素对中国农业源CH4和N2O排放的影响最大, 农业经济因素和人口规模因素呈正效应.农业生产效率因素、农业产业结构因素均对其有减缓作用, 其中, 生产效率因素为主要抑制因素.从脱钩努力情况来看, 1980—2018年, 在剔除经济因素后, 结构因素和效率因素均对中国农业源CH4和N2O减排作出脱钩努力, 且效率因素的努力程度最大, 而人口规模因素未做出脱钩努力, 各影响因素对脱钩努力的影响程度为效率因素>结构因素>人口规模因素.因此, 中国农业源CH4和N2O减排应主要从农业经济高质量发展、农业产业结构调整和提高农业生产效率等角度考虑.
Ang B W. 2004. Decomposition analysis for policymaking in energy:which is the preferred method?[J]. Energy Policy, 32(9): 1131-1139. DOI:10.1016/S0301-4215(03)00076-4 |
Ang B W. 2015. LMDI decomposition approach:A guide for implementation[J]. Energy Policy, 86: 233-238. DOI:10.1016/j.enpol.2015.07.007 |
陈瑶, 尚杰. 2014. 中国畜牧业脱钩分析及影响因素研究[J]. 中国人口·资源与环境, 24(3): 101-107. DOI:10.3969/j.issn.1002-2104.2014.03.015 |
陈瑶. 2016.中国畜牧业碳排放测度及增汇减排路径研究[D].哈尔滨: 东北林业大学
|
程勇翔, 王秀珍, 郭建平, 等. 2012. 中国水稻生产的时空动态分析[J]. 中国农业科学, 45(17): 3473-3485. |
Diakoulaki D, Mandaraka M. 2007. Decomposition analysis for assessing the progress in decoupling industrial growth from CO2 emissions in the EU manufacturing sector[J]. Energy Economics, 29(4): 636-664. DOI:10.1016/j.eneco.2007.01.005 |
Guo W B, Yan C. 2018. Assessing the efficiency of China's environmental regulation on carbon emissions based on Tapio decoupling models and GMM models[J]. Energy Reports, 4: 713-723. DOI:10.1016/j.egyr.2018.10.007 |
国家发展和改革委员会应对气候变化司.2011.省级温室气体清单编制指南(试行)[R].北京: 国家发展和改革委员会应对气候变化司
|
IPCC.2006.IPCC Guidelines for National Greenhouse Gas Inventories Volume 4: Agriculture, Forestry and other Land Use[R].Geneva, Switzerland: IPCC
|
Jeong K, Kim S. 2013. LMDI decomposition analysis of greenhouse gas emissions in the Korean manufacturing sector[J]. Energy Policy, 62: 1245-1253. DOI:10.1016/j.enpol.2013.06.077 |
金涛, 陆建飞. 2011. 江苏粮食生产地域分化的耕地因素分解[J]. 经济地理, 31(11): 1886-1890. |
Kaya Y.1989.Impact of carbon dioxide emission on GNP growth: interpretation of proposed scenarios[R].Paris: Presentation to the Energy and Industry Subgroup, Response Strategies Working Group, IPCC
|
Kuriyama A, Tamura K, Kuramochi T.2019.Can Japan enhance its 2030 greenhouse gas emission reduction targets? Assessment of economic and energy-related assumptions in Japan's NDC, Energy Policy, 130: 328-340
|
Li L, Shan Y L, Lei Y L. 2019. Decoupling of economic growth and emissions in China's cities:A case study of the Central Plains urban agglomeration[J]. Applied Energy, 244: 36-45. DOI:10.1016/j.apenergy.2019.03.192 |
李波, 张俊飚. 2012. 基于投入视角的我国农业碳排放与经济发展脱钩研究[J]. 经济经纬, (4): 27-31. DOI:10.3969/j.issn.1006-1096.2012.04.006 |
李阳, 陈敏鹏. 2020. 长江经济带农业源非二氧化碳温室气体排放的时空特征[J]. 中国环境科学, 40(5): 2030-2039. DOI:10.3969/j.issn.1000-6923.2020.05.020 |
Liang W, Gan T, Zhang W. 2019. Dynamic evolution of characteristics and decomposition of factors influencing industrial carbon dioxide emissions in China:1991-2015[J]. Structural Change and Economic Dynamics, 49: 93-106. DOI:10.1016/j.strueco.2018.09.009 |
Lin Y, Yuantao Y, Xian Z, et al. 2018. Whether China's industrial sectors make efforts to reduce CO2, emissions from production? - A decomposed decoupling analysis[J]. Energy, 160: 796-809. DOI:10.1016/j.energy.2018.06.186 |
刘博文, 张贤, 杨琳. 2018. 基于LMDI的区域产业碳排放脱钩努力研究[J]. 中国人口·资源与环境, 28(4): 78-86. |
刘玉, 高秉博, 潘瑜春, 等. 2014. 基于LMDI模型的中国粮食产量变化及作物构成分解研究[J]. 自然资源学报, 29(10): 1709-1720. DOI:10.11849/zrzyxb.2014.10.007 |
刘玉春, 修长柏. 2013. 农村金融发展、农业科技进步与农民收入增长[J]. 农业技术经济, (9): 92-100. |
卢娜.2011.土地利用变化碳排放效应研究[D].南京: 南京农业大学
|
陆文聪, 余新平. 2013. 中国农业科技进步与农民收入增长[J]. 浙江大学学报(人文社会科学版), 43(4): 5-16. DOI:10.3785/j.issn.1008-942X.2013.04.221 |
栾江, 仇焕广, 井月, 等. 2013. 我国化肥施用量持续增长的原因分解及趋势预测[J]. 自然资源学报, 28(11): 1869-1878. DOI:10.11849/zrzyxb.2013.11.004 |
Luo Y, Long X, Wu C, et al. 2017. Decoupling CO2 emissions from economic growth in agricultural sector across 30 Chinese provinces from 1997 to 2014[J]. Journal of Cleaner Production, 159: 220-228. DOI:10.1016/j.jclepro.2017.05.076 |
苗红, 赵润博, 黄鲁成, 等. 2019. 基于LMDI分解模型的技术融合驱动因素研究[J]. 科技进步与对策, 36(3): 11-18. |
OECD.2002.Indicators to measure decoupling of environmental pressure from economic growth[R].Paris, OECD
|
齐静, 陈彬. 2012. 城市工业部门脱钩分析[J]. 中国人口·资源与环境, 22(8): 102-106. DOI:10.3969/j.issn.1002-2104.2012.08.016 |
齐绍洲, 林屾, 王班班. 2015. 中部六省经济增长方式对区域碳排放的影响-基于Tapio脱钩模型、面板数据的滞后期工具变量法的研究[J]. 中国人口·资源与环境, 25(5): 59-66. DOI:10.3969/j.issn.1002-2104.2015.05.008 |
Shang Q, Yang X, Gao C, et al. 2011. Net annual global warming potential and greenhouse gas intensity in Chinese double rice-cropping systems:a 3-year field measurement in long-term fertilizer experiments[J]. Global Change Biology, 17(6): 2196-2210. DOI:10.1111/j.1365-2486.2010.02374.x |
生态环境部应对气候变化司.2019a.中华人民共和国气候变化第二次两年更新报告[OL].北京.2020-07-01. http://www.mee.gov.cn/ywgz/ydqhbh/wsqtkz/201907/P020190701765971866571.pdf
|
生态环境部应对气候变化司.2019b.中华人民共和国气候变化第三次国家信息通报[OL].北京. 2020-07-01. http://qhs.mee.gov.cn/kzwsqtpf/201907/P020190701762678052438.pdf
|
Solomon S, Qin D, Manning M, et al. 2007. Climate Change 2007:The Physical Science Basis Contribution of working Group I to the Fourth Assessment Report of the IPCC[M]. New York: Cambridge University Press, 31-34.
|
Tapio P. 2005. 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, 12(2): 0-151. |
Tian Y, Zhu Q, Geng Y. 2013. An analysis of energy-related greenhouse gas emissions in the Chinese iron and steel industry[J]. Energy Policy, 56: 352-361. DOI:10.1016/j.enpol.2012.12.068 |
田云, 张俊飚, 李波. 2012. 中国农业碳排放研究:测算、时空比较及脱钩效应[J]. 资源科学, 34(11): 2097-2105. |
UN Environment Programme.2019.2019年排放差距报告[OL].2019-11-26. https://www.unenvironment.org/zhhans/resources/2019paifangchajubaogao
|
Wang Q, Zhao M, Li R. 2019. Decoupling sectoral economic output from carbon emissions on city level:A comparative study of Beijing and Shanghai, China[J]. Journal of Cleaner Production, 209: 126-133. DOI:10.1016/j.jclepro.2018.10.188 |
王开, 傅利平. 2017. 京津冀产业碳排放强度变化及驱动因素研究[J]. 中国人口·资源与环境, 27(10): 115-121. |
王文超.2013.中国省区能源消费与二氧化碳排放驱动因素分析及预测研究[D].大连: 大连理工大学
|
Wood R, Lenzen M. 2006. Zero-value problems of the logarithmic mean divisia index decomposition method[J]. Energy Policy, 34(12): 1326-1331. DOI:10.1016/j.enpol.2004.11.010 |
吴贤荣, 张俊飚. 2017. 中国省域农业碳排放:增长主导效应与减排退耦效应[J]. 农业技术经济, (5): 27-36. |
夏勇, 钟茂初. 2016. 经济发展与环境污染脱钩理论及EKC假说的关系-兼论中国地级城市的脱钩划分[J]. 中国人口·资源与环境, 26(10): 8-16. DOI:10.3969/j.issn.1002-2104.2016.10.002 |
徐国泉, 刘则渊, 姜照华. 2006. 中国碳排放的因素分解模型及实证分析:1995-2004[J]. 中国人口·资源与环境, 6: 158-161. DOI:10.3969/j.issn.1002-2104.2006.06.030 |
赵明正, 赵翠萍, 李天祥, 等. 2019. "零增长"行动背景下中国化肥使用量下降的驱动因素研究-基于LMDI分解和面板回归分析[J]. 农业技术经济, 12: 118-130. |
周灵. 2019. 基于Tapio模型的我国低碳经济发展研究[J]. 经济问题探索, (6): 185-190. |