摘要：根据1995～2012年的面板数据，利用灰色关联分析法和STIRPAT模型对金融产业集聚与产业结构优化升级的关系和产业结构升级对碳排放影响的研究结果显示，我国东部地区金融产业集聚与产业结构优化升级存在显著的正相关关系，产业结构升级与碳排放强度存在显著的负向关系，工业占比、能源强度对碳排放强度有显著的正向影响关系。下面是小编整理的《基尼系数法碳排放论文(精选3篇)》的相关内容，希望能给你带来帮助!
基尼系数法碳排放论文 篇1：
日本碳排放的地区差距及结构分解
摘 要：日本已经宣布将在2050年实现碳中和，本文基于CEADs数据库中的日本碳排放数据，对日本2007—2015年的县级碳排放总量、人均碳排放和碳排放强度的地区差距进行了Dagum基尼系数分解，并利用方差分解从碳源的角度探究了不同碳排放来源对碳排放地区差距的贡献。研究发现日本的各碳排放指标均呈现明显的地区差异特征，且随时间推移还有扩大趋势。这意味着尽管日本的低碳转型卓有成效，但在地区间低碳发展的进程并不平衡。碳排放总量的地区差距主要来自于八大地区间的差异，而不同地区中县域单位间不平衡的低碳发展水平是导致人均碳排放和碳排放强度地区差距的主要因素。
关键词：日本;碳排放;地区差距;Dagum基尼系数分解;方差分解
DOI：10.14156/j.cnki.rbwtyj.2022.01.003
气候变化是21世纪全人类面临最大的挑战之一。人类社会已经对气候变化问题形成了明确的科学认知和政治共识，认同积极应对全球性的气候变化需要各国共同参与。中国国家主席习近平在2020年9月召开的第75届联合国大会一般性辩论上的发言中向世界郑重承诺，将提高国家自主贡献力度，采取更加有力的政策和措施，力争使二氧化碳排放于2030年前达到峰值，努力争取2060年前实现碳中和;并在12月的气候雄心峰会上明确宣布，到2030年，中国单位国内生产总值二氧化碳排放将比2005年下降65%以上。原日本首相菅义伟也紧随中国，在2020年10月向日本国会宣布，日本将在2050年实现碳中和。中日作为亚洲近邻，都将积极应对气候变化作为展现维护全球气候安全的责任感与提升国家竞争力的重要手段。
日本是《联合国气候变化框架公约》下重要的发达国家缔约方之一，也是《京都议定书》的缔结地和主要推动力量。作为一个高度工业化的国家，日本受制于本身的资源禀赋约束[1]，能源资源极度匮乏，基本依赖于进口[2]，因此也一直高度重视提高能源利用效率，通过积极调整经济政策和产业结构、大力发展节能技术和推广可再生能源，推动整个社会向低碳化方向发展[3]，并成为亚洲第一个宣布建设低碳社会的国家[4]。日本所经历的从高碳发展模式向低碳发展模式的成功转型，可以为中国推动节能减排和实现低碳转型提供有益的借鉴[5]。
以往关于日本碳排放的研究主要侧重于分析影响日本碳排放水平或碳排放强度的重要因素和驱动效应[5]，如根据状态空间模型分析日本碳排放影响因素[6]，分析主导产业碳排放、家庭碳排放的影响因素[7-8]，或具体探究工业化进程中人口因
素对日本碳排放的影响效果等[9]。也有一些文献对中日碳排放影响因素和发展特征进行了比较[3，10-12]，但鲜有文献去探究日本碳排放的地区差异。
近年来，国内外很多研究者针对不同国家或地区的碳排放总量、碳排放强度以及人均碳排放，利用基尼系数、泰尔系数或者变异系数等不同的度量指标去比较整体差距、地区内差距和地区间差距[13-19]。而本文将主要利用中国碳排放数据库（China Emission Accounts and Datasets， CEADs）提供的2007年到2015年间的日本县级碳排放清单[20]，采用Dagum基尼系数分解法和方差分解法，分析日本碳排放的地区差异和碳源差异贡献，并根据结果总结日本碳排放的空间分布和碳源结构特征，为中国区域碳排放达峰和减排政策制定及发展方向提供参考依据。
一、方法与数据
（一）研究方法
Dagum基尼系数分解。在对地区发展水平差距的分析中，很多研究都通过测算绝对差异（标准差、极差）和相对差异（基尼系数、泰尔系数和变异系数等）指标来度量地区间的差距，但是除了泰尔指数外，这些度量指标都无法进一步对区域细分子集的差距情况进行分解，泰尔指数虽然可以进一步对区域内部和区域间的差距进行分解，却无法分解区域中每个区域对总体差距的贡献。为了解决这些问题，Dagum进一步提出新的公式对基尼系数进行分解[21]。相较于传统的基尼系数法，Dagum基尼系数能够分解出某一项指数的差异的来源，将地区整体的差异分解为地区内差异、地区间差异和超变密度三个部分，从而能对地区差异的来源进行解释和分析。目前，Dagum基尼系数分析方法已被广泛应用于研究地区差异的各类研究中，例如针对经济发展差距[22]、高等教育差距[23-24]、人口老龄化的地区差异[25]、区域间区域创新能力差距[26]等问题的分析。
（二）数据来源与处理
以日本的县级单位为研究对象，并按照地理位置将47个县域单位划分为北海道地方、东北地方、关东地方、中部地方、近畿地方、中国地方、四国地方以及九州地方八大地区，具体的地区划分见表1。
日本环境省和国家环境研究所每年都会公布日本的温室气体排放数据，国际能源机构（IEA）和二氧化碳信息分析中心（CDIAC）也在各自的数据库中提供了日本全国范围的温室气体排放数据，但这些机构只能提供日本的二氧化碳排放总量，却没有提供其区域排放细节。由英国研究理事会、牛顿基金会、中国国家自然科学基金委员会、中国科学院等多家机构共同支持建立的CEADs数据库于2020年公布了日本2007年到2015年间47个都、道、府、县的碳排放和社会经济数据集[20]。其中社会经济数据集所提供的GDP指标均换算为2011年的不变价。
为了研究日本的碳排放地区差异及来源，本文根據CEADs中的原始数据，计算获得日本县域单位的碳排放总量、人均碳排放和碳排放强度，并作为研究指标。碳排放总量由日本县级能源消费统计数据中25个部门使用3种化石燃料所产生的二氧化碳排放清单加上电力部门单独的碳排放清单加总获得;人均碳排放用各县碳排放总量除以其人口总量获得;碳排放强度用各县碳排放总量除以换算成2011年不变价的各县GDP获得。
二、日本碳排放水平的时空分析
（一）碳排放总量的地区分布
利用地理信息系统（GIS）可视化方法及软件，绘制出日本县域二氧化碳排放总量的地区分布图（图1）。数据显示，到2015年，日本
排放水平最高的5个县分别为千叶县、神奈川县、爱知县、冈山县和山口县;排放水平最低的5个县分别为鸟取县、山梨县、奈良县、高知县和山形县。从2007年到2015年间，日本所有县域单位的碳排放总量都有所下降。排放水平越低的县，这些年的平均下降幅度也相对较高：排放水平最低的鸟取县，2015年相比较于2007年碳排放总量下降了36.8%，下降幅度也是最大。从地区划分来看，2015年排放水平最高的地区为关东地方，总排放达到339.4 Mt;排放水平最低的中国地方，碳排放总量约为39.77 Mt。
（二）人均碳排放的地区分布
由于碳排放总量受经济规模影响较大，而人均碳排放水平和碳排放强度能更好地反映社会、经济和技术发展水平的特征与差异性。根据CEADs数据库提供的数据，日本全国人均碳排放水平从2007年的11.14吨/人下降为2015年的9.99吨/人，但人均碳排放水平的地区间差异非常明显（图2）。2015年，人均碳排放水平最高的山口县高达45.94吨/人，而排放水平最低东京都仅为1.66吨/人。日本约有31.25%的县碳排放水平高于全国平均水平，剩下则等于或低于平均水平。
从人均碳排放的时间变化趋势来看，绝大多数县的人均碳排放水平都在考察时期范围内有所下降，只有三个县的人均碳排放略有提高，分别是大分县、和歌山县与佐贺县（图3）。而数据同时也显示，日本各地的人均碳排放数据从2007年开始稳步下降，但在2013年和2014年均有不同程度的反弹，直到2015年才开始继续显著下降。
（三）碳排放强度的地区分布
与人均碳排放数据类似，日本碳排放强度的地区分布也呈现出显著的非均衡特征（图4）。
东京都2015年的单位GDP碳排放强度仅为0.25吨/万美元，碳生产效率水平相当高，也明显高出碳排放强度居于第二位的埼玉县，后者约为0.73吨/万美元。但碳排放强度较高的大分县、山口县和冈山县都高于10吨/万美元。
日本全国平均碳排放强度从2007年的3.15吨/万美元下降为2015年的3.00吨/万美元，总体呈稳定下降态势。与人均碳排放数据的变化趋势类似，日本整体在2013年到2014年间也出现了碳排放强度的反弹趋势，到2015年才开始再次显著下降。大部分地区的碳排放强度总体下降，但在47个都、道、府、县中，仍有8个地区的碳排放强度有所提高，分别为秋田县、新潟县、三重县、大阪
府、兵库县、和歌山县、佐贺县与大分县。其中，近畿地方的7个县、府单位中有4个碳排放强度都提高了（图5）。
三、日本碳排放的地区差距及分解
（一）日本碳排放的地区差距
上述分析已经揭示出日本的碳排放指标呈现明显的地区差异特征，为了更好地刻画和分析日本各碳排放指标的地区差距和差距来源，采用Dagum建立的基尼系数子群分解方法学，使用定量分析软件QBOXES对2007年到2015年间日本碳排放各指标的基尼系数进行测算，如下图所示。
根据计算结果可见，日本碳排放总量、人均碳排放和碳排放强度的演变趋势基本一致，但总体变化趋势并不平稳，在2007—2015年期间出现了反复上升和下降，但与2007年相比，考察时间终点的2015年的3个碳排放指标的基尼系数都呈增大趋势，分别从0.549、0.441和0.455提高到0.567、0.491和0.480，这意味着日本碳排放的地区差异性不断在变大，因此应当引起决策者的重视;但三项碳排放指標的基尼系数最高水平均为2011年，分别达到0.582、0.510和0.496，随后该系数有所下降。三个碳指标中，排放总量的基尼系数最大，意味着日本各地区间的碳排放总规模具有较大的差距;人均碳排放和碳排放强度的基尼系数略小一点，在考察期内的均值分别为0.476和0.464，也仍然呈现差距较大的特征（图6）。
除了总体基尼系数之外，根据定量分析软件QBOXES还能对日本7大地区内的碳排放差距进行计算 在日本的八大分区中，北海道地区只辖北海道一个一级行政单位，因此无法对该地区进一步做组内基尼系数分解。。结果显示各地区内3个碳排放指标的基尼系数变化趋势比较类似，也均呈现先提高后降低的趋势，但总体而言该指标仍在提高，其中碳排放总量数据的地区内差距依然是最大的。人均碳排放和碳排放强度的地区内差距大致相当。在分析的7个地区中，从碳排放总量来看，地区内排放差距最大的是中部地方，组内基尼系数年均值高达0.55;其次是关东地方，年均值也超过了0.5，约为0.53;组内基尼系数最低的是东北地方，该地区内部总排放的基尼系数年均值约为0.29（图7）。从
人均碳排放指标来看，人均碳排放基尼系数年均值较低的是东北地方和四国地方，分别为0.23和0.18，这也意味着这两个地区下辖各地的人均排放水平比较接近，除了这两个地区之外，其他5个地区的人均碳排放基尼系数年均值均超过了0.4，该指标组内差距最大的地区是九州地方，其次是关东地方，基尼系数年均值分别为0.49和0.48（图8）。碳排放强度指标能够反映各地的碳生产率高低，从实际数据看，该指标与人均碳排放的地区差异特征比较接近，东北地方与四国地方的基尼系数年均值最低，其他地区均超过0.4（图9）。
（二）日本碳排放碳源地区差距
除了各地的碳排放指标之外，CEADs数据库还提供了日本的碳排放来源数据，包括煤炭、原油、天然气3种一次能源产生的碳排放和电力部门独立产生的碳排放，因此可以从碳源的角度分析日本各地的碳排放差距和演变特征。总体来说，从碳源的角度看，日本的地区差距更大，煤炭、天然气、原油使用产生的碳排放基尼系数在考察期内的均值分别为0.67、0.54和0.63，使用电力产生的碳排放基尼系数均值高达0.66。尽管各种碳源排放的地区差距都基本大于碳排放总量的地区差距，但是在3种化石能源中，天然气的地区差距最小，原油次之，这表明清洁能源也在成为日本现代能源体系的主体，所以各地区之间的差距也相对较小。从时变特征来看，煤炭、天然气和电力的地区差距逐渐在缩小（图10），尤其是天然气，从2007年的0.60降至2015年的0.46，因此天然气产生的碳排放在日本各地区之间的差距趋于收敛。而原油产生的碳排放在各地区之间差距还在扩大，从0.56提高为0.65，这表明日本各地的能源清洁化进程并不同步。
根据各种碳源的地区差异计算结果可知，煤炭、原油和电力产生的碳排放地区差距均高于总体碳排放，只有天然气产生的碳排放地区差异低于总体碳排放。这意味着从碳源的角度看，日本碳排放总体地区差异主要来自于含碳量较高的化石能源消费的影响。
（三）日本碳排放的地区差距分解
针对碳排放各指标进行Dagum基尼系数的子群分解可以进一步揭示出日本碳排放的地区差异和动态变化特征。通过分解，可以将各碳排放指标的地区差距分解为地区内差距、地区间差距和超变密度，从中可以窥见各碳排放指标的地区差距来源和贡献率的演变趋势（表2和表3）。根据分解结果可以看出日本的不同碳排放指标的地区差距来源存在一定的差异性。从碳排放总量指标来看，主要的差距来源是地区间差异，在考察期内，地区间差异的贡献率始终超过地区内差异和超变密度的贡献，贡献率超过50%;但是随着时间推移，地区间差异对于总体差距的贡献率略有下降。超变密度的贡献率次之，稳定在32%到35%之间，且呈缓慢上升趋势。地区内部的碳排放总量对于总体差距的贡献率相对较小，历年贡献率稳定在12%左右。但是日本人均碳排放和碳排放强度指标的地区差距则主要来源于超变密度的贡献：在考察期内，超变密度对这两项碳指标的贡献率都基本保持在一半以上。其次是地区间的差异性，为32%到39%之间。而地区内部的差异性对总体差距的贡献率也较低，基本都在12%到13%之间。
（四）日本碳源的贡献分解
根据CEADs数据库，日本的碳排放主要源自各部门使用煤炭、天然气、原油消费产生的碳排放，以及电力部门所产生的碳排放;因此，可以采用方差分解的方法来分析不同碳源对于总体排放地区差距的影响和贡献，结果如表4所示。
从不同碳源对地区差距的贡献率分解结果来看，原油使用产生的碳排放是导致碳排放总量地区差距的主要影响要素，年均贡献率超过了50%;其次是电力行业产生的碳排放，贡献率约为22.7%;煤炭使用产生的碳排放贡献率约为18.2%;而天然气使用产生的碳排放贡献率较小，年均值约为5.3%。这意味着日本不同地区的原油使用产生的碳排放水平存在较大的差异性，而且是影响碳排放总量地区差距的主要来源。尽管原油是导致碳排放地区差距的主要碳源因素，但从时间变化趋势来看，贡献率是逐渐降低的;电力和天然气导致的碳排放贡献略有提高;煤炭排放的贡献率虽有波动，但在考察期内基本稳定。综合静态和动态分析结果，可以发现日本的天然气和电力与原油消费之间可能存在一定的相互替代关系。
四、结论与启示
（一）研究结论
目前，全球已有很多国家和地区都相继提出温室气体中和或碳中和目标。中国和日本作为亚洲经济体量最大的两个国家，相继提出了实现碳中和的目标年份。为了切实兑现碳中和目标，应进一步对碳排放变化趋势和特征进行研究。过往对日本的研究往往关注于碳排放的时变规律，本文基于CEADs数据，对日本2007—2015年的县级碳排放清单进行分析，对碳排放总量、人均碳排放和碳排放强度的地区差距进行了Dagum基尼系数分解，并利用方差分解从碳源的角度探究了不同碳排放来源对碳排放地区差距的贡献。
通过定量实证分析，发现尽管总体来看日本的碳排放总量、人均碳排放和单位GDP碳排放强度指标都在考察时期内随时间推移呈波动下降趋势，但却同时呈现明显的地区差异特征，且各碳排放指标的地区差距随时间推移还有扩大趋势。这意味着尽管日本的低碳转型卓有成效，但在地区间低碳发展的进程并不平衡。在3个碳排放指标中，人均碳排放水平和碳排放强度相对而言能更好地反映社会、经济和技术发展水平的特征与差异性，但这两个指标的地区间差异也很明显：东京都高度的经济发展水平和紧凑集约的城市形态推动该地区的人均碳排放和碳排放强度都位于全球领先水平，但日本部分其他地区的这两项指标与之相比存在极大的差异，甚至还有少数地区的这两项相对碳排放指标呈提高趋势，这些地区将成为未来日本继续推进低碳转型和实现碳中和的重点地区。
除了各碳排放指标的总体差距之外，本研究还通过Dagum基尼系数分解，将日本47个都、府、道、县从地理上划分为8大地区，并分析碳排放地区差距的来源与贡献率。结果显示日本碳排放总量的地区差距主要来自于8大地区间的发展差异;但日本人均碳排放和碳排放强度指标的地区差距则主要是来源于超变密度的贡献。超变密度反映的是分组后跨群交叉程度的互相影响，从地理上的地區划分标准看，日本不同地区的县域单位间不平衡的低碳发展水平是导致人均碳排放和碳排放强度地区差距的主要因素。
此外，本研究还从碳源的角度分析了不同的碳排放来源对造成碳排放总量地区差距的影响，研究发现原油使用是影响日本碳排放总量地区差距的主要来源，而日本的天然气和电力使用与原油消费之间可能存在一定的相互替代关系。
（二）启示
日本作为已经完成工业化进程的国家，其低碳发展进程对我国的低碳转型和实现碳达峰与碳中和目标有着重要的参考和借鉴意义。过往针对日本碳排放的研究多侧重于探究碳排放的驱动因素和未来变化趋势展望，而本研究则试图分析日本碳排放的地区差距特征，通过实证分析发现日本的各碳排放指标均呈现比较明显的地区差距;因此，要实现碳中和目标，必须要采取差异化的地区低碳转型和碳减排政策。
受制于自身的能源资源禀赋，日本较早就意识到低碳转型的重要性和必要性，并通过发展低碳经济推动了整体经济转型，但本研究也发现，尽管从人均碳排放和碳排放强度指标看，日本部分地区的低碳发展水平已经居于全球领先地位，但由于地区间的发展不平衡，导致部分地区的低碳发展水平仍不及预期，并成为未来制约实现积极碳减排目标的不利因素。日本的发展模式昭示，发达地区应该发挥经济和技术发展的优势，力争实现较高的低碳发展水平。但与之相比，我国一些经济发展水平较高的城市和地区人均碳排放水平要明显高于发展水平相对较低的城市与地区。因此，应该推动发达地区优化城市规划，推动产业转型升级，加速低碳转型进程。
中国应立足本国实际情况，参考日本的经验，探索实现碳达峰和碳中和的可行路径。结合不同地区经济发展水平、地理位置以及产业结构等时机情况，制定差异化和针对性的碳减排政策与路径。同日本不同，中国要在工业化、城镇化仍在推进的过程中去尽快实现碳达峰和碳中和，因此相关的政策需要兼顾推动经济可持续发展、改善民生以及实现共同富裕等目标，需要进行精细化设计，尤其是对于经济欠发达地区，要考虑设定既能促进区域合理发展又能避免重复高碳锁定的碳排放指标指导标准，防止成为低碳发展后期影响碳排放目标实现的瓶颈和困难。推进各地区实现相对平衡的低碳发展，实现低碳的区域间和区域内协调发展。同日本不同，中国要在工业化、城镇化仍在推进的过程中去尽快实现碳达峰和碳中和，因此相关的政策需要兼顾推动经济可持续发展、改善民生以及实现共同富裕等目标，需要进行精细化设计。
[参 考 文 献]
[1]孟浩，陈颖健.日本能源与CO_2排放现状、应对气候变化的对策及其启示[J].中国软科学，2012（9）：12-26.
[2]李国志.基于状态空间模型的日本碳排放影响因素分析及启示[J].资源科学，2013，35（9）：1847-1854.
[3]王苒，武胤，陈迎.中日两国完全碳生产率比较优势研究[J].国际经济合作，2013（12）：50-53.
[4]施锦芳.日本的低碳经济实践及其对我国的启示[J].经济社会体制比较，2015（6）：136-146.
[5]佟新华，杜宪.日本碳排放强度影响因素及驱动效应测度分析[J].现代日本经济，2015（5）：87-94.
[6]李国志.基于状态空间模型的日本碳排放影响因素分析及启示[J].资源科学，2013，35（9）：1847-1854.
[7]段海燕，王寒凝，王宪恩.日本主导产业碳排放影响因素及驱动效应的分解研究[J].现代日本经济，2016（4）：70-82.
[8]胡振，何晶晶，王玥.基于IPAT-LMDI扩展模型的日本家庭碳排放因素分析及启示[J].资源科学，2018，40（9）：1831-1842.
[9]段海燕，刘红琴，王宪恩.日本工业化进程中人口因素對碳排放影响研究[J].人口学刊，2012（5）：39-48.
[10]唐杰英.基于环境规制效应的中日碳排放比较[J].日本研究，2017（2）：41-47.
[11]施锦芳，吴学艳.中日经济增长与碳排放关系比较——基于EKC曲线理论的实证分析[J].现代日本经济，2017（1）：81-94.
[12]王倩，何少琛.中日碳排放库兹涅茨曲线对比研究[J].社会科学辑刊，2015（5）：108-113.
[13]段玉婉，杨翠红.中国与日本能源消耗和CO_2排放差异的空间结构分解[J].系统工程理论与实践，2017，37（8）：2083-2090.
[14]JUAN ANTONIO DURO，EMILIO PADILLA.International inequalities in per capita CO2 emissions： A decomposition methodology by Kaya factors[J].Energy Economics，2006，28（2）：170-187.
[15]WANG Y，ZHAO T.Impacts of energy-related CO2 emissions： Evidence from under developed，developing and highly developed regions in China[J].Ecological Indicators，2015，50： 186-195.
[16]陈前利，蔡博峰，胡方芳，王金南，曹丽斌.新疆地级市CO_2排放空间特征研究[J].中国人口·资源与环境，2017，27（2）：15-21.
[17]CLARKE-SATHER A，QU J，WANG Q，et al.Carbon inequality at the sub-national scale： A Case study of provincial-level inequality in CO2 emissions in China 1997-2007[J].Energy Policy，2011，39（9）： 5420-5428.
[18]GRUNEWALD N，JAKOB M，MOURATIADOU I.Decomposing inequality in CO2 emissions： The role of primary energy carriers and economic sectors[J].Ecological Economics，2014，100： 183-194.
[19]杨骞，刘华军.中国二氧化碳排放的区域差异分解及影响因素——基于1995～2009年省际面板数据的研究[J].数量经济技术经济研究，2012，29（5）：36-49+148.
[20]LONG Y，YOSHIDA Y，ZHANG H，et al.Japan prefectural emission accounts and socioeconomic data 2007 to 2015[J].Scientific data，2020，7（1）： 1-8.
[21]DAGUM C.A new approach to the decomposition of the gini income inequality ratio[C]//Income inequality，poverty，and economic welfare.Physica-Verlag HD，1998： 47-63.
作者： 张莹 洪凌华
基尼系数法碳排放论文 篇2：
金融产业集聚对碳排放强度的影响路径
摘 要：根据1995～2012年的面板数据，利用灰色关联分析法和STIRPAT模型对金融产业集聚与产业结构优化升级的关系和产业结构升级对碳排放影响的研究结果显示，我国东部地区金融产业集聚与产业结构优化升级存在显著的正相关关系，产业结构升级与碳排放强度存在显著的负向关系，工业占比、能源强度对碳排放强度有显著的正向影响关系。
关 键 词：金融产业集聚；碳排放强度；产业结构升级；低碳经济
目前世界主要发达国家纷纷加大科技创新投入，推动低碳产业发展，将开发新技术培育新产业作为新的经济增长点及新一轮经济增长的重要动力。2009年底， 哥本哈根联合国气候大会以《哥本哈根协议》达成了全球共同应对气候变化的政治共识，我国承诺将在2020年实现单位GDP二氧化碳排放比2005年降低40%～45%。 要兑现这一承诺，我们必须大力发展低碳经济，并对高能耗、高碳排放、高污染的传统产业进行低碳化升级，以实现低碳经济发展目标。
由于产业的低碳化升级对金融支持有高度的依赖性，因此，一个地区金融产业的集聚程度会在一定程度上影响该地区经济的低碳水平。为验证二者的相关性，探索我国经济低碳化发展的有效路径，本文根据东部10个省市1995～2012年的相关面板数据，利用灰色关联分析法和STIRPAT模型，研究金融产业集聚（下简称“金融集聚”）对产业升级和碳排放的影响程度。
一、文献综述
对于金融集聚与产业结构升级的关系， 国内有不少学者进行了相关研究。黎平海、王雪（2009）考察金融集聚对产业结构升级的作用， 结果表明金融集聚通过其特有的经济效应，拓宽了投融资渠道，提高了资金供给水平和配置效率， 推动了地区产业结构优化和升级 [1] ；石沛、蒲勇健（2011）利用Moran指数和地理加权回归模型， 从空间依赖性和空间异质性两方面阐释我国金融集聚程度、 产业结构空间分布特征及两者在地理空间上的关联性，结果发现产业结构的调整在空间上带动金融集聚的发展， 同时金融集聚对产业结构发挥促进的反作用力 [2] ；施卫东、高雅（2013）实证检验了2004～2010年间长三角地区16个城市金融服务业集聚对该地区产业结构升级的影响及其作用大小， 研究结果表明长三角金融服务业集聚对该区域产业结构升级具有显著的正向推动作用， 其产业结构正沿着产业结构高级化路线发展， 但这一推动作用的程度还不是很大，还有待进一步增强 [3] ；刘沛、黎齐（2014）运用空间计量方法对广东省的产业发展和金融聚集的空间效应进行实证分析， 发现金融集聚对于第三产业的推动作用大于对第二产业的推动作用， 且第三产业的空间外溢效应要大于第二产业的空间外溢效应， 同时金融集聚和信息化的结合更有利于第三产业的发展 [4] 。
在碳排放与产业结构升级的关系方面，冯之浚、牛文元（2009）指出，我国低碳经济发展需要在观念、结构、科技、消费和管理五个方面推进创新，而产业结构调整是推进我国结构创新的重要举措之一，对低碳经济发展具有很大作用 [5] ；杨万东（2010）指出，低碳经济要求人们生产从理念到行为的低碳化调整，通过产业结构调整，中国就可能在未来找到一种产业低碳发展的方向，进而对原有的经济结构进行全面的重新布局， 实现碳排放的控制目标 [6] ；陈诗一、吴若沉（2011）的实证研究表明，能源结构、产业结构演化和能源强度降低有利于减排二氧化碳 [7] 。
从金融集聚角度考虑对碳排放影响的研究在国内外都较少见，但从金融学角度出发对环境及碳排放的研究积累了一定成果。Tamazian等（2009）指出，经济与金融发展是“金砖四国”环境质量的决定因素，金融发展可以改善环境恶化状况，金融自由化是CO2减少的重要原因 [8] 。Sadorsky（2011）探究了9个中欧和东欧新兴经济体金融发展与能源消费在不同情景下的关系，认为金融发展大体上促进了能源消费的增加，而忽视金融发展对能源需求的影响必将很难实现针对温室气体排放制订的标准[9] 。陈碧琼、张梁梁（2012）用我国29个省级单位的多个指标，建立基于STIRPAT模型的动态面板模型，证明发展金融业是促进我国经济低碳发展的最优手段[10]；郭福春等（2011）利用1995～2010年能源与经济数据，定量分析金融支持对浙江省低碳经济发展的影响机制，研究表明金融信贷服务支持能有效降低经济发达地区的CO2排放量，对当地低碳经济的发展具有强劲的推动效应 [11] ；马亚明等（2014）对我国1995～2011年28个省级单位的面板数据分析发现，金融相关率对于碳排放的作用无论在全国还是东、中、西部地区均显著为正，金融系统效率对于各地区碳排放的影响均为负，金融系统效率提高有助于减少碳排放量 [12] 。
总之， 国内外学者从不同角度研究了金融集聚对产业结构升级的促进作用， 论证了产业结构对碳排放的影响，但是鲜有学者将“金融集聚”纳入对碳排放强度的影响研究框架之内。 目前研究多集中于定性分析， 仅有少部分学者定量研究了金融集聚和环境质量的关系。 本文利用我国东部地区1995～2012年间的面板数据， 首先对金融集聚与产业结构升级之间的关系进行探讨， 然后对产业结构对碳排放强度的影响进行定量分析， 进而讨论金融集聚对碳排放强度的间接影响，并对节能减排、环境优化提出发展思路。
二、金融集聚与产业结构升级关联分析
金融对产业结构升级主要是通过支持技术创新，来实现产业结构由低生产率或低效应的资源驱动模式向高生产率或高效应的技术创新驱动模式演变，从而实现产业结构升级的目标。现代产业发展越来越依赖于技术创新， 金融为技术创新提供了重要的支撑与保障条件 [13] 。因此，金融发展是产业结构升级的重要外部条件之一。
除河北、辽宁和山东三个地区之外，其他地区的碳排放强度近几年都下降到1吨/万元以下，而且浙江、福建和广东的碳排放强度自1995年起就处于较低的水平。 大部分地区的碳排放强度都存在逐年下降的趋势，但各地区有明显不同，如北京由2000年的1.13吨/万元下降到2012年的0.409吨/万元， 下降近2/3；山东2012年与2000年相比，不降反升， 这与山东近年来高耗能产业的发展有很大关系。
（2）经济指标
我们知道， 第二产业的发展对碳排放存在明显的相关关系， 故本文以工业增加值占GDP比重（IND） 来衡量各省产业结构特征对碳排放的影响。产业结构升级指标仍然是IS。
（3）技术指标
能源强度（EP）是用于对比不同国家和地区能源综合利用效率的常用指标之一， 体现了能源利用的经济效益，因此能源强度又被称作能源经济效率，是指产出单位生产总值所需消耗的能源量， 在实际研究中能源强度通常用单位GDP比能源消耗来表示。能源强度越低，技术水平越高，相同情况下二氧化碳排放量低。 本文中计算能源强度的GDP是以1995年物价水平衡量的实际GDP。
（二）面板数据的统计性描述
为了更加清楚地观察各省份直辖市数据，本文分别列出各地区以及总体的变量从1995～2012年的最大值、最小值及平均值。见表5。
年均碳排放强度最小的地区为福建，其次是广东， 二者的碳排放强度均值分别为0.526吨/万元、0.527吨/万元，均低于所有地区的平均水平。平均碳排放强度最大的两个地区是河北和辽宁，数值分别为1.834吨/万元、1.775吨/万元。此外，值得注意的是，地区间最大最小值之差的数额相差较大，如天津最大值是最小值的2.81倍，这说明各地区碳排放量变化十分明显。
各地区产业结构存在明显差异，从表5可见，北京、天津和上海三地产业结构指数高于其他地区，均值分别达到了0.98，0.965和0.987，而河北和福建分别为0.844和0.856，差异明显，这与地区间产业结构合理性有很大关系，与经济发展水平也分不开。另外工业占比除北京外其他地区差距不大， 而北京相对而言工业占比较低， 这与北京第二产业结构规划合理，重工业企业数量较少，高新产业兴起有很大关联。
10个地区的能源强度存在较大的差异。从被研究地区的原始数据来看， 能源强度基本呈现递减趋势。从能源强度均值来看，辽宁的能源强度最大，河北随后，相应的数据为2.568吨/万元、2.438吨/万元。能源强度最低的地区为福建。这说明省（市）间的能源利用效率存在明显差异， 这与个别地区传统粗放式的经济发展模式以及高能耗、 高污染产业快速发展有关。
（三）单位根检验
为了保证检验的准确性， 本文使用IPS、LLC、Fisher-ADF和Fisher-PP面板数据的单位根检验，结果如表6所示。
从表6中可以看出， 所有变量的原值均为非平稳序列，经一阶差分后所有变量变为平稳，表明变量为一阶单整，此结果符合面板协整的前提条件。
（四）协整检验
由单位根检验的结果发现，面板数据的LNGOT、LNIS、LNIND、LNEP四个变量是一阶单整的，为考察变量间的长期均衡关系， 本文采用面板协整的Johansen协整检验和Kao检验。检验结果如表7所示。
Trace test和Max-eigen test统计量的P值均远远小于0.01，即在1%显著性水平下拒绝原假设，表明碳排放强度和金融集聚度、工业占比、能源强度之间存在协整关系。从Kao检验结果中我们可以显著拒绝“面板不存在协整关系”的原假设，认为面板数据存在稳定的线性组合，在长期发展中有均衡关系。
（五）面板协整模型的估计
为研究IS、IND、EP对GOT的影响，构建如下模型：
LN（GOTit）=LN？琢+bLN（ISit）+cLN（INDit）+
dLN（EPit）+LNeit
其中，i表示截面数据， 即东部10个地区，t代表1995～2012年间的样本值。
在进行估计之前， 我们需要判断回归模型的具体形式。首先，我们使用了极大似然比的检验方法判断采用混合模型还是固定效应模型，STATA 12.0 软件的操作结果显示，F统计值为48.91， 其伴随概率为0。由此可以拒绝混合OLS模型，固定效应模型相对更优。其次，需要通过Breusch-Pagan检验比较随机效应模型和混合OLS模型的优劣。BP检验结果显示chibar2（01）=646.41，p值为0，表明随机效应模型的确优于混合效应模型。最后，我们使用了Hausman检验方法判断是采用固定效应模型还是随机效应模型，结果显示chi2（3）=3.97，p值为0.2648，原假设为随机效应模型优于固定效应模型，由p值可以确定为接受原假设， 即采用随机效应模型的结论。
根据随机效应模型估计的结果见表8。
从面板模型的估计结果来看：
1. 产业结构（LS）在5%的统计水平上显著为正，系数为 -0.415， 说明产业结构升级对碳排放强度有显著的负向影响，且金融集聚每增加1%，碳排放强度降低0.415%。因此，可以通过产业结构优化升级来达到低碳发展理念、降低碳排放量。
2. 能源强度（EP）对碳排放的影响为正， 而且在1%的置信水平上维持在较高水平，说明能源强度是一个引起碳排放增加的因素，能源强度每增加1%，将会造成碳排放增加0.874%。能源强度是指产出单位生产总值所需消耗的能源，能源消耗越多，对应所产生的碳排放量越多。东部地区的能源消费以煤炭为主，且大多为原煤直接燃烧，虽然技术进步提高了能源的利用效率，但仍未有效降低能源消费量。因此，要降低东部地区的碳排放强度，必须控制能源强度。
3. 工业占比（IND）对一个地区的碳排放也有着重要作用。回归结果表明，东部地区工业比重每增加1%，碳排放强度增加0.481%，可以看出东部地区工业占比的减少对降低能源消费和碳排放的作用较大。从统计数据来看，北京、上海、江苏及浙江四个地区近几年的工业占比有明显下降趋势，这对于降低碳排放强度，实现经济低碳发展来说是一个有效的措施。
四、结论及政策建议
本文旨在研究金融集聚对碳排放强度的影响路径， 从金融角度为节能减排寻求对策。 所得结论如下：
1. 金融集聚与产业结构升级之间存在显著的正向相关关系，灰色关联度达到0.668，随着金融产业的集聚，产业结构正沿着高级化路线发展。金融对产业结构升级主要是通过支持技术创新， 来实现产业结构由低生产率或低效应的资源驱动模式向高生产率或高效应的技术创新驱动模式演变， 从而实现产业结构升级的目标。因此，金融发展是产业结构升级的重要外部条件之一。
2. 在控制其他变量的情况下， 产业结构优化升级是降低碳排放强度的一个重要手段。第二、三产业比重每提高1%，碳排放强度降低0.415%。优化产业结构是减少碳排放的重要途径。
3. 金融集聚促进了产业结构优化升级， 而产业结构升级降低了碳排放强度， 因此金融集聚对于碳排放强度降低起促进作用， 在解决碳排放问题上可以从金融角度寻求新的途径。
4. 我国工业发展的高能耗、 高碳排特征依然明显，工业占比与碳排放强度显著正相关。长期来看，二氧化碳的排放主要由工业占比和能源消耗决定。其中， 能源消耗与二氧化碳排放量正向相关。 近年来，中国的原油需求在不断增加，体现出中国经济对原油的依赖性。此外，东部地区能源消费结构以高碳能源为主，意味着改善能源结构，降低能源强度可有效实现节能减排的目标。据此，适当控制工业发展规模、 有效降低工业行业的碳排放强度成为一项重要任务。
金融发展是实现经济低碳发展的一个重要手段 [16] ，根据上述结论从金融角度对碳减排提出如下建议：
1. 依托金融集聚对高碳排放工业进行低碳化升级。我国众多工业都具有高污染、高耗能的特点，应利用金融手段对这些产业进行低碳化升级。 以石油化工产业为例：石化产业本身是耗能和碳排放大户，产业结构性矛盾比较突出， 急需尽快调整结构和产业布局。转变发展方式需要技术进步的强力支撑，技术进步因素对低碳经济的影响至关重要， 同时以减排技术、 能源技术为代表的低碳相关技术是低碳经济的发展核心。而技术进步离不开金融领域的支持，合理配置金融资源， 重点支持石油化工企业采用高新技术进行碳减排升级，提高石化产业效率。金融机构要研究信贷政策与石化产业政策的有效对接，合理配置金融资源，提高信贷资金使用效率，加快金融创新，促进产融结合，促进石油化工产业向纵深发展 [17] 。
2. 通过实施绿色金融助力新型低碳产业。 金融是助推新型产业崛起的重要手段，银行业金融机构应积极推进绿色融资，加快金融产品和业务创新，加大对节能减排降碳项目的支持力度，拓宽融资渠道 [18] 。为实现节能减排目标，政府应鼓励银行业金融机构支持绿色经济发展，建立绿色信贷指引，对绿色银行采取激励措施。
3. 针对不同地区的金融特色， 实行差异化优势策略。就东部地区来说，地区经济发展水平与发展重点不尽相同，如北京、上海等地金融产业发达，新兴产业异军突起，而辽宁、山东、河北等地依然依靠重工业发展经济，工业占比仍然较高。各地区应根据本地的产业特点和实际情况选择自己的产业升级和碳减排战略，因地制宜，发挥金融集聚的最大效果。根据地区差异将东部地区大致划分为三类： 北京、上海、广东和福建为Ⅰ区，这些地区的明显特征是金融集聚明显，新兴产业发展势头良好，重工业占比相对较少。这些地区可以充分利用金融优势大力发展新型低碳产业，积极推进绿色融资，银行业金融机构要加快金融产品和业务创新，加大对节能减排降碳项目的支持力度，以这些产业作为新的经济增长点，对于高污染高耗能的产业予以淘汰。辽宁、河北和山东为Ⅱ区，这些区域的典型特征就是工业占比较高，重工业多，而且工业比重的下降将是一个缓慢而曲折的过程。如，河北省制药业，辽宁省钢铁业，山东省石化产业，都是这些地区发展比较成熟的产业，同时也是高碳排产业。对这些地区的减排政策应着重于促进工业内部结构及生产方式的“低碳化调整”，加快产品升级换代步伐。金融机构应积极配合，大力支持。其余的天津、浙江和江苏为Ⅲ区，这些地区碳排放强度变化幅度不大，而且三个地区依靠海洋优势发展了一些新型低碳产业， 金融业发展势头良好，对于这种地区就要采取Ⅰ、Ⅱ区结合的策略进行减排， 利用金融集聚优势整合第二产业资源，加快产品升级换代步伐，以达到预期效果。
参考文献：
[1]黎平海，王雪. 基于金融集聚视角的产业结构升级研究[J]. 金融经济学研究，2009（4）：51-62.
[2]石沛，蒲勇健. 金融集聚与产业结构的空间关联机制研究[J]. 工业经济，2011（1）：39-45.
[3]施卫东，高雅. 金融服务业集聚发展对产业结构升级的影响[J]. 经济与管理研究，2013（3）：73-82.
[4]刘沛，黎齐. 金融集聚对产业结构提升的空间外溢效应研究[J]. 科技管理研究，2014（10）：187-195.
[5]冯之浚，牛文元. 低碳经济与科学发展[J]. 中国软科学，2009（8）：13-19.
[6]杨万东. 低碳经济与经济结构的再调整[J]. 理论视野，2010（2）：35-36.
[7]陈诗一，吴若沉. 经济转型中的结构调整、能源强度降低与二氧化碳减排：全国及上海的比较分析[J]. 上海经济研究，2011（4）：10-15.
[8]Tamazian，A.&Chousa，J.P.，&Vadlamananatj，K.C. Does higher economic and financial development lead to environmental degradation：evidence from Bric countries[J]. Energy Policy，2009，37（1）：246-253.
[9]Sadorsky，P. Financial development and energy consumption In Central and Eastern European frontier economies[J]. Energy Policy，2011，39（2）：999-1006.
[10]陈碧琼，张梁梁. 金融规模对碳排放的影响力分析——基于省际动态面板数据的实证分析[J]. 中国人口·资源与环境，2012（22）：
408-415.
[11]郭福春，潘锡泉. 金融支持低碳经济发展的影响机制研究：基于浙江省数据的经验分析[J]. 浙江社会科学，2011（10）：12-19.
[12]马亚明，高嵩，邱识. 外商直接投资、金融深化与碳排放——基于我国1995-2011年省级面板数据的分析[J]. 科技管理研究，2014（13）：214-219.
[13]苏建军，徐璋勇. 金融发展、产业结构升级与经济增长理论与经验研究[J]. 工业技术经济，2014（2）：139-150.
[14]王锋，吴丽华，杨超. 中国经济发展中碳排放增长的驱动因素研究[J]. 经济研究，2010（2）：123-136.
[15]徐安. 基于STIRPAT模型的沿黄省份城市化对碳排放的影响分析[Z].黄河流域资源环境与生态文明建设学术研讨会交流材料，2011.
[16]陈碧琼，张梁梁. 动态空间视角下金融发展对碳排放的影响力分析[J]. 软科学，2014（7）：140-145.
[17]周培基. 金融支持石油化工产业可持续发展问题探讨[J]. 南方论刊，2012（5）：21-26.
[18]张莉. 绿色金融助力新型低碳产业，鼓励开发节能减排融资项目 [N]. 中国证券报，2014-07-15.
（责任编辑、校对：卢艳如）
作者：徐胜 刘月
基尼系数法碳排放论文 篇3：
排放影响因子与碳足迹研究述评
摘要：低碳经济在全球气候变暖的背景下已经成为国际社会关注的热点问题，碳排放作为发展低碳经济的重要问题之一更加受到全社会的重视。本文分别从国家、省域、城市和家庭层面回顾影响碳排放因素的相关文献，从国家和省域层面、交通领域层面和产品层面分析碳足迹的现有研究和应用，并对未来的研究方向和应用进行展望。
关键词：低碳经济；碳排放；影响因子；碳足迹
一、 引言
“低碳经济”概念最早正式出现在2003年2月24日的英国能源白皮书《我们能源的未来：创建低碳经济》中，该白皮书指出低碳经济是通过更少的自然资源消耗和更少的环境污染，获得更多的经济产出，是创造更高的生活标准和更好的生活质量的途径与机会，它也将为开发、应用和出口先进技术创造机会。白皮书虽然提出了低碳经济的概念，但没有进行严格的界定，而在其后的巴厘路线图中，这一概念被进一步肯定［1］。目前被广泛引用的是英国环境专家鲁宾斯德的阐述：低碳经济是一种正在兴起的经济模式，其核心是在市场机制的基础上；通过制度框架和政策措施的制定和创新，推动提高能效技术、节约能源技术、可再生能源技术和温室气体减排技术的开发和应用，促进整个社会经济朝向高能效、低能耗和低碳排放的模式转型。
在全球气候变暖的背景下，低碳经济已经成为当前国际社会关注的热点问题。低碳经济是通过更少的自然资源消耗和更少的环境污染，获得更多的经济产出［2］。随着低碳技术和低碳理念的推进，以“低碳”为标志的绿色行动将彻底改变人类社会的生产方式和生活方式。碳排放的相关研究作为发展低碳经济的核心问题，也受到科研人员的重视。本文拟对国内外学者关于碳排放因子与碳足迹的相关研究进行分类梳理和总结，分别从不同产业、不同区域、不同国家的碳排放差异以及碳足迹四个角度来进行归纳总结和分析。
二、碳排放影响因子研究及其展望
现有的文献分别从国家、省域、城市和家庭四个层面，探讨影响碳排放因素的问题，采用的研究方法主要是统计学和计量经济学等，在此基础上来提出相应的减排策略。在国家层面，何建坤和刘滨（2004）对作为温室气体排放衡量指标的碳排放强度进行的分析。作者利用历史统计数据，定量研究了碳排放强度下降率与GDP的增长率、碳排放增长对GDP的弹性、能源消费强度以及能源消费的碳强度等相关关系。对处于不同经济发展阶段国家的碳排放强度以及碳排放强度下降率进行了规律性分析，从而得出结论，以碳排放强度作为各国减缓气候变化贡献的衡量指标，对于发展中国家而言，可以承认和反映其对减缓气候变化的贡献；对发达国家来说，则不能只谈这一单一指标，而必须将碳排放强度的下降率大于GDP增长率作为重要基准［3］。
张德英（2005）对中国工业部门碳源排碳量估算办法的研究。通过详细分析工业部门的排碳方式后发现，其排碳量不仅与其生产方式、能源利用强度等有密切联系，还与经济系统中的科技、投资、人口等一些相关要素间接相关，而这些要素在经济系统中又是相互影响的。因此，作者用系统仿真的办法对其排碳量进行估算并在分析工业部门碳源及排碳系统要素间的反馈互动机制后，利用复杂系统综合集成的建模方法建立工业部门排碳模型，采用系统仿真的办法，达到对排碳量估算及预测的目的，最后通过模型在钢铁行业的成功应用来验证该方法对于工业部门的排碳量估算是行之有效的［4］。
徐国泉等人(2006)基于碳排放的基本等式，采用对数平均权重Divisia分解法，建立中国人均碳排放的因素分解模型，定量分析了1995-2004年间，能源结构、能源效率和经济发展等因素的变化对中国人均碳排放的影响，结果显示经济发展对拉动中国人均碳排放的贡献率呈指数增长，而能源效率和能源结构对抑制中国人均碳排放的贡献率都呈倒“U”形，这说明能源效率对抑制中国碳排放的作用在减弱，以煤为主的能源结构未发生根本性变化，能源效率和能源结构的抑制作用难以抵销由经济发展拉动的中国碳排放量增长［5］。
胡初枝等人（2008）对中国碳排放特征及其动态演进进行分析。本文基于EKC模型，采用平均分配余量的分解方法，构建中国碳排放的因素分解模型，定量分析了1990-2005年经济规模、产业结构和碳排放强度对碳排放的贡献，即规模效应、结构效应和技术效应。结果表明,经济增长与碳排放之间呈现出“N”型关系，经济规模对碳排放变动具有增量效应，这是推动碳排放增加的主要因素；由于不同产业之间碳排放差异性越来越大，产业结构调整对碳排放具有一定的减量效应，但抑制作用并不明显，产业结构仍有待优化；技术效应波动性较大，总体上具有正效应，从减少碳排放角度来看，现行技术对降低碳排放并未发挥优势［6］。
朱勤等人（2010）对中国1980-2007年碳排放情况的统计实证结果表明，扩展的STIRPAT模型对中国国情有较高的解释力。居民消费水平、人口城市化率、人口规模三个因素对我国碳排放总量的变化影响明显；现阶段我国居民消费水平与人口结构变化对碳排放的影响力已高于人口规模变化的影响力，居民消费水平与消费模式等人文因素的变化有可能成为我国碳排放的新的增长点；技术进步因素在此模型中对我国该阶段碳排放的解释力有限，表明我国未来通过技术进步减缓碳排放的潜力巨大［7］。
在国外，Soytas等人（2007）则通过格兰杰检验的方法研究了美国碳排放量、能源使用和国民收入之间的长期变化状况，结果表明对美国碳排放量提高的主要原因是能源的使用数量［8］。Dalton等人（2008）采用PET模型进行研究，结果表明：人口越多，碳排放量就越多，而且人口结构对碳排放量也有影响，随着世界人口转型，人口老龄化现象逐渐凸显，发达国家将在2020年前后进入老龄化社会，人口老龄化因素会降低碳排放量这一效果与技术变革的效果相当［9］。
在省域层面，查冬兰和周德群(2007)基于Kaya因素分解，引入Theil指数和Kaya因子，利用绝对差异法、相对差异法和基尼系数对我国28个省区1995-2005年间能源利用效率的差异性进行了比较。结果显示各省市区能源利用效率存在趋同現象；Theil指数表明2003年后人均CO2排放差异性在减弱，Kaya因子中贡献最大的是能源强度指标其次是人均GDP，碳排放系数贡献相对较小；八个经济区间的差异要大于经济区内部的差异，且一直占据主导地位［10］。王伟林和黄贤金(2008)以江苏省为例，进行的区域碳排放强度变化的因素分解模型及实证分析。通过分解模型从横向和纵向两个方面分析了影响碳排放强度变化的因素。研究表明江苏省碳排放强度变动由行业碳排放强度和行业产出份额共同作用。相对于行业产出份额，行业碳排放强度对整个社会碳排放强度变动影响更大［11］。
刘燕娜等人(2008)基于1994－2008年的时间序列统计数据，采用对数平均权重Divisia分解法将影响福建省碳排放的因素分解为能源结构因素、能源排放强度、能源效率和经济发展，建立福建省人均碳排放的因素分解模型，定量衡量各因素对福建省人均碳排放的贡献大小，得出经济发展是福建人均碳排放最大的拉动因素，能源效率是抑制福建人均碳排放最重要的因素，而能源结构对福建人均碳排放的影响相对较小但今后贡献可能增大等结论［12］。苏方林等人（2010）采用加权最小二乘法与向量自回归方法，对比性建立了广西碳排放量及影响因素间关系的实证模型，并进一步利用脉冲响应函数和方差分解探索影响系数大小和时期变化规律。研究表明，广西碳排放量对经济增长状况和产业结构的冲击反应十分敏感，能源价格、人均收入水平和外商直接投资随时期变化的响应比较稳定；各变量影响系数在短期和长期存在差异；单位根检验、格兰杰因果检验及协整检验发现碳排放量与各影响因素间存在一种长期均衡稳定的关系［13］。
在国内，朱松丽（2010）对北京、上海城市交通能耗和温室气体排放进行的比较，作者以不同燃料驱动的不同类型车辆的保有量、年均运营距离、能源强度及排放强度为主要参数定量计算2005年两市的城市交通能耗和CO2排放量。结果发现两市城市交通能耗总量接近，但上海市的能耗强度和温室气体排放强度略低于北京市，这归功于机动车总量控制政策、公共交通优先发展以及广泛使用的非机动交通。但是，近几年上海城市交通的碳排放强度有明显上升趋势，两市的差距可能逐渐减小。最后，就两市在公共交通(尤其是出租汽车)、非机动交通等方面的发展政策给出建议［25］。胡莹菲等人（2010）对厦门城市交通系统碳足迹评估的研究。作者以厦门市为研究案例，介绍了厦门市快速公交系统的发展情况，着重计算比较了不同公交出行方式的碳排放情况。研究表明，按照同样的能源需求增长率，优化交通模式可获得较优的减排效果。乘坐快速公交出行，每位乘客所产生的碳足迹明显低于乘坐普通公交出行的乘客。文章还指出在城市公交系统建设过程中，推广快速公交系统是气候变化适应性政策有效的技术手段［26］。另外，Sundarakani等人(2010)建立了基于长范围拉格朗日函数和欧拉流方法的分析模型来研究供应链中的碳足迹问题，结果表明跨阶段的供应链会对二氧化碳排放可构成重大威胁，在设计供应链阶段应仔细注意，从而促进绿色供应链管理［27］。
在产品层面，一份受惠普公司委托而开展的研究发现，数字印刷机的碳足迹要远远小于胶印机［28］。英国政府在2008年10月发布了世界上第一个衡量产品碳足迹的标准——《商品和服务生命周期温室气体排放评估规范》（简称PAS2050），它主要用以计算产品和服务在整个生命周期内（包括原材料获取、产品分销、使用和废弃后的处理）温室气体的排放量［29］。国外已经有专门的企业致力于产品碳足迹的计算和咨询，如英国碳信托公司，并且开始逐步形成碳标识市场，例如可口可乐、雀巢、乐购等企业已经在其产品中进行碳标识。
从上述学者们的研究成果可以看出，碳足迹的研究侧重于宏观层面和具体的某些领域，这有利于从宏观上把握一个国家或者行业碳足迹的基本情况，从而为低碳政策的出台奠定基础，因此，下一步的研究应该会从多个不同的行業角度来展开研究，从而获得不同行业的碳足迹信息；从产品层面看，碳足迹的研究是建立碳标识市场的前提，具有广阔的市场前景，在低碳经济发展迅速的国家已经开始建立相应的碳足迹核算标准，并在企业推广碳足迹标识，国内学者和相应机构应该在借鉴国外相关研究的基础上，尽早出台适合我国国情的不同行业的产品碳足迹核算标准。
四、结束语
遏制气候变暖，拯救地球家园，是全人类共同的使命，在缓解气候危机，保持全球经济正常发展的基础上，如果能够制定出切实有效的低碳减排政策，对低碳经济的发展会有很大帮助，而低碳经济的发展，则会促进未来经济的正常平稳发展。鉴于低碳经济领域的研究成果涌现，限于篇幅，本文只总结了低碳经济下碳排放影响因子与碳足迹的一些最新研究成果，还有很多的相关领域未能全部涉及。理论要联系实际，所有的研究成果以及建议是需要全社会共同行动的，每一个人应该从自己做起，提倡低碳生活，发展低碳经济，保护全人类共同的家园。
参考文献：
［1］ 冯之浚,金涌,牛文元.关于推行低碳经济促进科学发展的若干思考［A］．张坤民 .低碳发展论（上）［C］．北京:中国环境科学出版社，2010:42.
［2］ CCICED.中国发展低碳经济途径研究［A］．张坤民.低碳发展论［C］．北京:中国环境科学出版社，2009:1041-1067.
［3］ 何建坤,刘滨.作为温室气体排放衡量指标的碳排放强度分析［J］．清华大学学报(自科版),2004(6):740-743.
［4］ 张德英,张丽霞.碳源排碳量估算办法研究进展［J］．内蒙古林业科技，2005（1）:20-23.
［5］ 徐国泉,刘则渊,姜照华.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,2006(6):158-161.
［6］ 胡初枝,黄贤金,钟太洋.中国碳排放特征及其动态演进分析［J］．中国人口•资源与环境，2008,18(3):38-42.
［7］ 朱勤,彭希哲,陆志明.人口与消费对碳排放影响的分析模型与实证［J］．中国人口-资源与环境,2010(2):98-102.
［8］ Soytas U,R. Sari,and B.T. Ewing. Energy consumption,income,and carbon emissions in the United States［J］． Ecological Economics, 2007,62(3-4):482-489.
［9］ Dalton M，O. Neill B，Prskawetz A，Jiang，Pitkin J. Population aging and future carbon emissions in the United States ［J］． Energy Economics, 2008,30(2):642-675.
［10］ 查冬兰,周德群.地区能源效率与二氧化碳排放的差异性——基于Kaya因素分解［J］．系统工程,2007,25(11):65-71.
［11］ 王伟林,黄贤金.区域碳排放强度变化的因素分解模型及实证分析以江苏省为例［J］．生态经济，2008(12):32-35.
［12］ 刘燕娜，洪燕真，余建辉.福建省碳排放的因素分解实证研究［J］．技术经济，2010(8):58-87.
［13］ 苏方林,宋帮英,侯晓博. 广西碳排放量与影响因素关系的VAR实证分析［J］． 西南民族大学学报(人文社科版),2010(9):140-144.
［14］ 梅建屏,徐健,金晓斌. 基于不同出行方式的城市微观主体碳排放研究［J］． 资源开发与市场,2009，25（1）:49-52.
［15］ 叶红,潘玲阳,陈峰.城市家庭能耗直接碳排放影响因素——以厦门岛区为例［J］．生态学报,2010(14):3802-3811.
［16］ 樊杰,李平星,梁育填.个人终端消费导向的碳足迹研究框架-支撑我国环境外交的碳排放研究新思路［J］． 地球科学进展,2010(1): 61-68.
［17］ 聂祚仁.碳足迹与节能减排［J］．中国材料进展,2010(2): 60-63.
［18］ 岳超,王少鹏,朱江玲.2050年中国碳排放量的情景预测-碳排放与社会发展Ⅳ［J］． 北京大学学报(自然科学版),2010(4): 517-524.
［19］ 赵荣钦,黄贤金,钟太洋.中国不同产业空间的碳排放强度与碳足迹分析［J］．地理学报,2010(9): 1048-1057.
［20］ 孙建卫,陈志刚,赵荣钦. 基于投入产出分析的中国碳排放足迹研究［J］． 中国人口•资源与环境,2010(5): 28-34.
［21］ Piecyk M I, McKinnon A C. Forecasting the carbon footprint of road freight transport in 2020［J］．International Journal of Production Economics, 2010,128(1):31-42.
［22］ Brand C, Tran M, Anable J. The UK transport carbon model: An integrated life cycle approach to explore low carbon futures?［J］． Energy Policy,2010:1-18.
［23］ Smith W J.Plug-in hybrid electric vehicles—A low-carbon solution for Ireland?［J］． Energy Policy, 2010,36(3):1485-1499.
［24］ Peter.Conway,薛润涛/译.航空货运业与“碳排放”［J］．空运商务,2008(5):40-43.
［25］ 朱松丽.北京、上海城市交通能耗和温室气体排放比较［J］． 城市交通,2010(3):58-63.
［26］ 胡莹菲,王润,余运俊.厦门城市交通系统碳足迹评估研究［J］．上海环境科学,2010(3):98-101.
［27］ Sundarakani B. Souza R.d.,etc,. Modeling carbon footprints across the supply chain［J］．Inernational Journal of Production Economics, 2010,128(1):43-50.
［28］ Laurnel Brunner.数字印刷机与胶印机的碳足迹比较 ［J］．闵耀霞,译.印刷工业,2010(8):71-72.
［29］ 冯相昭,赖晓涛,田春秀.关注低碳标准发展新动向——英国PAS2050碳足迹标准［J］．环境保护,2010(3): 74-76.
（责任编辑：严元）
作者：周叶 何慧 陈俊君