導語：城鄉家庭碳排放核算及驅動因素分析一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：文章在量化考察2013—2020年城鄉居民生活直接碳排放和間接碳排放的基礎上，對比分析城鄉家庭單位碳排放差異，并基于不同的結構模型運用IPAT-LMDI方法對城鄉家庭碳排放驅動因素進行識別。結果顯示：城鎮家庭生活碳排放遠超農村，且差距存在繼續擴大的趨勢；城鄉家庭生活間接碳排放遠高于直接碳排放，無論城鎮還是農村家庭控排的關鍵皆在于對間接碳排放的治理；在城鄉家庭碳排放的驅動因素方面，人均住宅面積和人均消費支出是碳排放增加的主要驅動力，而家庭消費能源強度效應和家庭住宅能源強度效應則是抑制碳排放增加的主要原因。

關鍵詞：家庭碳排放；城鄉差異；驅動因素；LMDI模型

在2030年前碳達峰、2060年前碳中和的“雙碳”目標約束下，明晰碳排放增長主要來源和關鍵部門，對我國發展低碳經濟至關重要。據統計，2001年以來我國居民生活能源消費總量保持5.41%的年均增長水平，2018年能源消費總量達63628.5萬噸標準煤，居民生活消費逐漸超過工業生產成為我國碳排放增長的最主要原因[1]，因此基于家庭單位研究碳排放演進特征及其驅動因素對落實減排目標意義重大。在資源浪費問題突出、環境負荷不斷超載以及減排形勢漸趨嚴峻的背景下，對于碳排放增長及其影響因素的研究的重點逐漸由工業部門轉移至居民家庭。對于居民生活消費所帶來的碳排放的研究主要集中于兩個方面：一是居民生活消費碳排放總量的核算[2，3]。如范玲和汪東（2014）[4]基于消費者行為理論聚焦居民間接能源消費所帶來的碳排放，同時在考慮城鄉發展差異的基礎上對比研究城市和農村居民生活碳排放；馬曉薇等（2016）[5]采用表觀消費量方法和能源部門投入產出模型對居民生活間接能源需求及其碳排放展開研究。二是居民生活消費碳排放影響因素的效應分解和識別。胡振等（2018）[6]通過分析日本家庭碳排放現狀，利用IPAT-LMDI擴展模型對其影響因素進行識別。STIRPAT模型則較多地用于碳排放峰值預測和總量控制研究。任曉松和趙國浩（2014）[7]綜合運用STIRPAT模型和灰色預測方法估算我國工業部門碳排放何時達峰；劉云鵬等（2017）[8]進一步將STIRPAT模型推廣到家庭碳排放研究中，對我國2030年的居民生活消費碳排放進行模擬。由此可見，現有研究主要從人口因素[9，10]、消費水平[11—13]和技術水平[14，15]等維度考察家庭碳排放的影響因素。通過梳理不難發現，已有研究將居民個體作為排放主體考察整體碳排放量，忽略了居民生活消費行為的社會性、共享性和互補性。相比之下，以家庭作為基本單位分析居民生活消費碳排放更符合現實生活場景。同時，城鄉在經濟發展、人口結構以及消費模式等諸多方面存在顯著差距，而當前的研究往往關注的是城鎮或者鄉村單方面的碳排放核算，忽略了城鄉家庭生活消費碳排放的比較分析。針對以上不足，本文基于IPAT-LMDI擴展模型對家庭直接碳排放和間接碳排放展開分析，并將敏感性分析納入碳排放驅動因素進行考察。

1研究方法與數據來源

1.1居民生活消費碳排放核算

居民生活中的碳排放核算主要依據家庭單位直接能源消耗和間接能源消耗。直接能源消耗即居民對于能源產品的直接購買和使用，間接能源消耗則是指居民生活中非能源商品消費和服務消費所間接形成的能源使用量。居民生活直接碳排放的核算可以通過將居民生活各類能源消費量折算為標準煤單位，基于各年份平均標準煤碳排放系數來計算直接碳排放。居民生活間接碳排放的核算則根據居住、食品、衣著以及交通通信等八類主要消費活動（見下頁表1）的碳排放來核算。

1.2基于家庭碳排放的IPAT拓展模型

IPAT經典模型刻畫了人口規模（P）、經濟水平（A）以及技術水平（T）對環境壓力（I）的綜合影響，本文基于居民能源消費研究的內容，建立以家庭為單位的城鄉居民生活碳排放分解模型，并進一步將戶數、家庭規模、住宅面積等要素納入考量。根據家庭碳排放研究中的IPAT擴展模型，進一步基于LMDI方法對居民生活碳排放動態變化特征及驅動因素進行結構分析。LMDI分解方法基于碳排放路徑的差異可分為加法模式和乘法模式，假定報告期（t期）的碳排放相對于基期（0期）的變化量為∆C，則基于加法模式的居民生活消費直接碳排放和間接碳排放因素分解如下。其中，∆CDCI、∆CDRE、∆CPCA、∆CDFS、∆CDH反映了各因素對于基期與報告期之間居民生活消費直接碳排放增量的貢獻值，依次表示碳排放系數、家庭住宅能源強度、住房水平、家庭規模、戶數對家庭碳排放增量變動的影響程度；與之相對應，∆CICI、∆CIEO、∆CPCO、∆CIFS、∆CIH則反映了各因素對于居民生活消費間接碳排放增量的貢獻值，分別刻畫了碳排放系數、家庭消費能源強度、消費水平、家庭規模、戶數的影響程度。考慮到碳排放系數短期內相對穩定，設定∆CDCI=∆CICI=0。因素分解模型刻畫了不同因素對于家庭碳排放增加的累積效應和整體貢獻率，但無法揭示家庭碳排放邊際變化效應，缺乏對驅動因素敏感性的有效識別。其中，DC和DX分別表示基期和目標期之間家庭碳排放量和影響因素的變化值，EL表示家庭碳排放彈性系數值。EL0說明影響因素對于家庭碳排放增加具有正向促進作用，EL0則剛好相反，說明相關因素對于碳排放增加具有負向抑制作用。一般而言，EL的絕對值越大，表明對家庭碳排放變動的影響效果越強，即家庭碳排放對于相關因素的敏感程度越高。

1.3數據來源

基于數據可得性和統計口徑一致性，本文選取2013—2020年居民生活八類主要消費支出及其所包含的工業部門產值和城鄉居民的戶數、家庭規模、住房面積、生活直接能耗以及工業生產間接能耗等數據。相關數據主要來自《中國統計年鑒》《中國工業統計年鑒》《中國人口和就業統計年鑒》《中國能源統計年鑒》等。其中，工業部門分行業增加值數據以當期工業增加總值為基數通過分行業工業部門規模占比估計得到，并以2013年為基期，利用工業生產者出廠價格指數和消費者價格指數分別對工業增加值及居民消費支出進行平減，缺失值數據則通過插值法補充完整。

2城鄉家庭消費現狀與碳排放核算

得益于人均可支配收入的增加，城鄉居民消費支出均保持較快的增長態勢。其中，城鎮人均消費支出由18488元上升至26112元，平均年增長率為8.25%；鄉村人均消費支出亦由7485元增加至12124元，平均年增長率為12.4%。從消費結構來看，在城鄉居民八類消費中，食品類、居住類消費支出約占整體消費的50%左右。其中，城鄉家庭消費中食品類支出基本維持在30%的水平，這一比重漸趨下降的態勢初顯；居住類支出則穩定在20%左右，這反映了在房價居高不下的經濟背景下，居住問題成為城鄉居民生活負擔的重要來源。其次，交通通信類、文教娛樂類也是城鄉居民消費支出的重要組成部分，約占總支出20%左右。這與居民生活水平改善條件下家庭轎車的普及、教育投資增加以及娛樂方式多元化等密切相關。對應地，城鄉家庭能源消費中居住類占比最高，食品類、交通通信類以及衣著類能源消費次之。從總量來看，城鄉家庭碳排放雖然均呈遞增態勢，但城鎮家庭生活碳排放總量遠超農村，且差距有不斷擴大的趨勢。其中2020年城鎮碳排放總量相較于2013年整體增長近40%；與之相反，農村居民生活碳排放總量則保持著緩慢的上升態勢，增幅僅為15%左右。進一步地，從增長率變化來看，城鄉家庭碳排放保持著相類似的增長變化趨勢，自2014年以來呈現“N”型變化，具有變化趨勢相似、變化范圍波動大以及反彈趨勢明顯的特征。其中，城鄉家庭碳排放增長率均在2016年達到峰值，又在2017年觸底反彈。同時，城鎮家庭碳排放增長率水平整體高于農村。城鄉家庭碳排放差異顯著的主要原因為：一方面，城市化進程不斷加快，農村人口大量涌入城市，基礎設施建設不斷完善；另一方面，城鎮消費水平高于農村，消費能力更強、消費選擇更多元化以及消費模式更綜合，使得城鎮家庭的能源消費不斷增加。

3城鄉家庭碳排放驅動因素分解分析

3.1城鄉家庭直接碳排放的因素分解對比

如表2和表3所示，城鄉家庭直接碳排放的變化量總效應漸趨增加，其中城鎮家庭直接碳排放的總碳排放效應遠高于農村，2019—2020年城鄉家庭直接碳排放效應分別為8942.3015萬噸和2847.6937萬噸。從驅動因素分解結果來看，2012—2016年，人均住宅面積、家庭規模以及家庭人均能源消費對城鄉家庭碳排放均存在正向促進效應，而2016—2020年，人均住宅面積因素對于城鄉家庭碳排放的驅動效應由正轉負，成為抑制碳排放增加的主要因素。值得注意的是，戶數因素在城鄉家庭直接碳排放中驅動作用完全不同。2012—2020年，城鎮戶數對家庭直接碳排放始終表現為正向驅動效應，且在整體正向驅動效應中占據較高比重。與之相反，戶數因素在農村家庭直接碳排放中則長期表現為負向效應，是碳排放增加的最主要抑制性因素。戶數因素在城鄉家庭碳排放中的差異化影響與城鄉人口流動密切相關。整體來看，城鎮家庭直接碳排放中戶數效應、家庭規模效應、住宅面積效應以及家庭住宅能源強度效應在2012—2020年的累積效應均表現為正向效應（見下頁圖2）。其中，住宅面積效應在城鎮家庭直接碳排放增長中起到最主要的推動作用，貢獻率達41%。家庭住宅能源強度效應和戶數效應次之，貢獻率分別為29.7%和24.7%。相比之下，家庭規模效應在促進城鎮家庭直接碳排放增加中的作用較小，貢獻率僅為4.2%。值得注意的是，家庭規模效應雖然對碳排放增加的驅動作用有限，2016年以來更是表現為負值，但我國計劃生育政策的放寬和三孩政策的出臺在一定程度上會刺激家庭規模的擴大，進而拉升其在家庭直接碳排放中的促進作用。農村家庭直接碳排放中家庭規模效應、住宅面積效應以及家庭住宅能源強度效應在2012—2020年的累積效應均表現為正向效應（見圖3）。其中，人均住宅面積是農村家庭直接碳排放增量變化的最關鍵因素，貢獻率高達73.8%，家庭規模效應和家庭能耗效應貢獻率分別為8%和18%，而戶數因素則是農村家庭直接碳排放增加的關鍵抑制性因素，累積減排量約為5275.7萬噸，較大程度地抵消了其他驅動因素對碳排放的拉升效應。

3.2城鄉家庭間接碳排放的驅動因素分解對比

在城鄉家庭間接碳排放方面，城鎮家庭間接碳排放累

積增量遠高于農村（見表4和表5）。從各驅動因素累積效應（見圖4和圖5）來看，人均消費支出是導致城鄉家庭間接碳排放增量和增速居高不下的最主要原因，而戶數效應和家庭消費能源強度效應則均是主要的負向效應，對抑制碳排放增速起到了重要作用。除此之外，戶數效應和家庭規模效應對于城鎮家庭間接碳排放的作用同直接碳排放基本一致。

3.3城鄉家庭碳排放變動敏感性分析

根據城鄉家庭直接和間接碳排放驅動因素分解結果和彈性分析模型，可以得到我國城鄉家庭碳排放對不同驅動因素的敏感程度，如圖6和圖7所示。直接碳排放彈性指數結果顯示，家庭碳排放對于不同驅動因素的敏感性波動程度差異較大。其中，城鄉家庭直接碳排放對于家庭規模和住宅面積的敏感程度變化最為明顯。不同的是，城鎮家庭碳排放對于住宅面積的敏感性不斷降低，而農村家庭直接碳排放對于住宅面積因素的敏感性程度則相對較高。城鎮家庭直接碳排放對于相關驅動因素的敏感程度由強到弱依次為家庭規模、戶數、家庭能耗強度和住宅面積，而農村家庭則依次為家庭規模、戶數、住宅面積和家庭消費能源強度。

4結論與建議

本文通過對城鄉家庭要素和碳排放現狀的研究，基于IPAT-LMDI分解方法對2013—2020年城鄉家庭直接碳排放、間接碳排放的形成機理、結構差異、驅動因素及減排路徑展開分析。結果表明：（1）城鄉家庭碳排放總量差距較大，城鎮家庭碳排放總量約為農村家庭2~3倍；在碳排放結構中，城鄉家庭直接碳排放比重遠低于間接碳排放。（2）人均住宅面積累積效應是導致城鄉家庭直接碳排放增量變化的最主要正向驅動力，且這一效應呈不斷減弱甚至由正轉負的態勢，而家庭住宅能源強度在城鄉家庭直接碳排放，特別是農村家庭碳排放中正向驅動作用不斷凸顯。（3）人均消費支出效應是城鄉家庭間接碳排放增長的關鍵之所在，其所帶來的碳排放增量變化超過家庭實際間接碳排放；而家庭消費能源強度則是主要的家庭間接碳排放抑制性因素。本文提出如下建議：優化居民住宅區布局，充分開發家庭住宅利用空間，基于家庭能源共享、碳排放分攤的家庭規模效應特征降低單位住宅面積碳排放。引領綠色消費模式，以財政補貼和稅收減免等形式鼓勵低碳消費行為和低碳生產活動，在倡導城鄉居民培養綠色消費觀念的同時，積極推廣低碳產品，構建社會綠色生產體系。優化產業結構，改造、關停傳統高能耗產業，扶持綠色創新型產業發展；同時大力引進和推廣低碳技術，鼓勵創新節能行為，提高生產過程中的能源利用效率。

作者：李治國 王杰 單位：中國石油大學（華東）經濟管理學院