Driving Factors and Decoupling Effects of Carbon Emissions from Civil Aviation in China Based on LMDI-Tapio Model
-
摘要:
中国民航快速增长的二氧化碳排放成为实现“双碳”目标的阻碍。为了准确把握中国民航发展过程中的脱钩状态,洞悉不同发展阶段脱钩的关键影响因素和作用机理,基于2000—2019年的面板数据,采用IPCC方法全面核算中国民航碳排放,在此基础上构建LMDI-Tapio模型,分析民航发展过程中的脱钩状态及不同发展阶段脱钩的关键影响因素和作用路径。研究发现:中国民航碳排放基本呈总量持续增长而强度逐年下降趋势,但未来能源效率提升有限;国民经济发展水平是碳排放的主要动力,能耗强度是长期抑制碳排放的驱动因素;航空碳排放与周转量、行业收入的脱钩关系逐渐以弱脱钩发展为扩张连接和扩张负脱钩为主,即行业减排空间进一步被压缩,面临行业发展和环境保护的双重压力;经济发展水平、运输强度和人口规模不会对脱钩起到积极作用,能耗强度促进了碳排放和周转量的脱钩,产业结构为行业发展脱钩做出了最大努力。研究结论为民航部门的碳减排政策制定提供理论依据和经验证据。
-
关键词:
- 中国民航 /
- 碳排放 /
- 因素分解 /
- 脱钩效应 /
- LMDI-Tapio模型
Abstract:The rapid growth of carbon dioxide (CO2) emissions from China’s civil aviation has become a major obstacle to achieving the “dual carbon” goals. To accurately assess the decoupling status in the process of China’s civil aviation development and understand the key influencing factors and mechanisms of decoupling at different stages of development, this study comprehensively accounts for China’s civil aviation carbon emissions, using the panel data from 2000 to 2019 and the IPCC method. Based on this account, an LMDI-Tapio model is constructed to analyze the decoupling status during the development of civil aviation and the key influencing factors and pathways of decoupling at different stages. The results show that China's civil aviation carbon emissions generally follow a trend of continuous growth in total volume but a decline in intensity year by year. However, future improvements in energy efficiency are limited. The level of national economic development is the primary driving force behind carbon emissions, while energy consumption intensity is the driving factor for long-term emission reduction. The decoupling relationship between aviation carbon emissions and turnover, as well as industry income, has gradually shifted from weak decoupling to expansionary connection and expansionary negative decoupling. This indicates a further compression of emission reduction space for the industry, resulting in dual pressures on industry development and environmental protection. The economic development level, transport intensity, and population size do not have a positive impact on decoupling, while energy consumption intensity promotes decoupling of carbon emissions and turnover. Additionally, industrial structure has made the greatest contribution to promoting decoupling for industry development. This research provides a theoretical basis and empirical evidence for the formulation of carbon reduction policies in the civil aviation sector.
-
全球商业航空二氧化碳排放量迅速增加引发的环境问题使人类意识到航空碳减排的必要性和迫切性。在过去几十年内,由于人口增长和经济扩张,航空业规模以4.3%的速度快速增长[1]。2019年,商用航空在全球化石燃料燃烧产生的二氧化碳排放量中占比为2.8%[1]。如果不采取有效的缓解措施,到2050年这一比例将超过20%[2]。而中国民航的发展快速远高于全球平均水平,2015—2019年中国民航运输总周转量、旅客运输量、货邮运输量年均增速分别为11.0%、10.7%、4.6%[3]。2019年,中国商业航空运输的二氧化碳排放量达到11,658万吨,几乎是2009年排放量(4,152万吨)的三倍。根据《新时代民航强国建设行动纲要》展望,到2035年中国人均航空出行次数将超过1次,按此目标2030年后行业规模增长速度仍需维持中速或以上(2019年为0.47次)。在行业运输周转量、机队规模、机场数量稳步增长的情况下,民航碳排放总量势必随之增长,如何减少航空二氧化碳排放将是中国需要解决的一个重要问题。分析中国民航发展过程中的脱钩状态,洞察不同发展阶段脱钩的关键影响因素,可以从宏观上把握民航业碳排放与行业发展的内在关系,为民航部门的碳减排政策制定提供理论依据和经验证据。
一、 文献综述
在现有的研究中,描述经济发展与资源环境压力关系的主流方法通常为通过环境库兹涅茨曲线(EKC)和脱钩分析衡量[4]。基于不同地区、不同时间、不同样本的研究,不同学者得出的经济发展与环境质量的曲线关系也不尽相同。Wang等发现中国钢铁行业的二氧化碳排放量随工业产值增加,呈倒U形曲线[5];王世进却发现江苏碳排放与经济发展呈“N”型关系,而不是倒“U”曲线关系[6]。李达等、Azlina等也发现了EKC倒U形假说具有“异质性”和“空间相关性”的证据[7-8]。尽管EKC假说可以在一定程度上反映经济发展与环境污染之间的某种关系,但其并不能揭示二者之间存在的因果机制,因此使用环境库兹涅茨曲线也不能很好地探究导致航空碳排放变化的影响因素及其作用机理。
脱钩分析以碳排放与经济增长率的比值表征环境污染与经济增长之间的动态相关性,是衡量行业/地区是否实现低碳发展的有效方法,其中Tapio脱钩模型被认为是在经济和环境之间进行解耦分析的有效工具,在国民经济[9]、区域经济[10]和工业部门[11]方面得到广泛的应用。如Han等,采用脱钩模型定量分析了2000—2014年中国经济增长与碳排放之间的脱钩关系[12]。然而,脱钩分析作为一个孤立指标无法评估环境对其的外部性影响,指数不能表明实现特定目标所需的真正努力。
为了进一步评估环境政策的影响程度和有效性,更多的学者将LMDI分解模型和Tapio脱钩模型结合起来,这样不仅可以反映一个时期内导致碳排放变化的驱动因素,探索脱钩状态变化的作用机制,还可以直观展现实现碳排放与经济增长脱钩所需的努力。比如Wang等采用LMDI分解技术和结合Tapio脱钩模型构建解耦努力模型对美国1997—2015年经济增长和碳排放进行研究[13];Ozturk等运用Tapio脱钩指数和LMDI分解技术对巴基斯坦、印度和中国的经济增长与环境影响进行解耦分析[14];刘博文等运用LMDI分解法和Tapio脱钩指标分解分析了1996—2015年中国区域产业发展和碳排放的脱钩关系和脱钩努力效应[15]。然而,民航业有关碳排放驱动效应及脱钩关系的结合分析相关研究却很少,行业碳排放的关键驱动因子、碳排放脱钩状态及其动态演变机制有待进一步全面深入探讨。
基于上述文献梳理的分析结论,为了弥补现有研究的不足,研究构建民航导向的LMDI-Tapio解耦分析模型,从行业层面出发以中国民航为研究对象,采用LMDI分解技术识别行业碳排放的关键驱动因子,基于Tapio脱钩模型对行业发展与碳排放进行脱钩进程研判,进一步深入分析脱钩状态的动态演化机制,以期为中国民航低碳绿色发展转型提供有针对性减排政策。
二、 模型方法和技术路线
(一) 数据描述
笔者的研究区间选取为2000—2019年,时间跨度涵盖四个五年计划(“十五”“十一五”“十二五”“十三五”),以分析中国民航脱钩过程的阶段性特征。中国民航周转量数据涵盖旅客周转量和货邮周转量,行业收入数据涵盖航空公司在国内、国际航线和地区航线的航空运输收入,不包括机场、通航和保障部门收入,数据源自中国民航局发布的《民航业发展统计公报》和《从统计看民航》。国内生产总值和全国人口数量来源于国家统计局官方网站搜集整理。碳排放量和能源消耗数据基于研究核算分析计算得到,其中燃料的净发热值和排放因子由IPCC排放清单得到。根据《中国民航能耗和排放统计年报》的数据显示,航空公司能源消费占全行业能源消费的绝大部分,而航空煤油占航司能源消耗的99%以上,因此研究结合行业能源消费结构特点,基于航空公司年度航空煤油消耗数据核算行业的碳排放和能耗数据。
(二) 2IPCC核算方法
IPCC碳排放清单核算方法是目前应用最广泛的温室气体排放核算方法之一,被广泛应用于企业、行业、地区和国家等不同层面的温室气体排放核算和工作报告中。IPCC在2006年的《IPCC国家温室气体清单指南》第2卷能源板块第3章的移动燃烧板块中,提供了3层的飞机航空碳排放计算方法[16],虽然在理论上其核算精度上是逐级提高的,但是有关研究表明在实际应用中Tier 1 (自上而下)方法和Tier 3 (自下而上)方法在计算结果上非常相似[17]。
笔者研究建立一种基于IPCC自上而下(Tier 1)方法的民航碳排放核算公式,适合于国家一级的宏观数据统计。对2000—2019年中国民航能源消耗量和二氧化碳排放量进行具体的定量核算,具体碳排放核算公式为
$$ {C_t} = {E_t} \cdot \theta \cdot \varphi /{10^6} $$ (1) $$ {E_t} = {M_t} \cdot {I_t} \cdot {10^5} $$ (2) 式中,
$ {C_t} $ 代表行业第t年的二氧化碳排放量(t),$ {E_t} $ 代表航空煤油在第t年的消耗量(t),$ \theta $ 代表航空煤油的净发热值(44.1 KJ/g),$ \varphi$ 代表航空煤油的二氧化碳排放因子(7500 kg/1012J)。$ {M_t} $ 为全行业第t年的运输周转量(tkm×108),$ {I_t} $ 为行业统计的吨公里油耗指标(kg/tKm)。(三) LMDI分解模型
KAYA恒等式最初由日本学者Yoichi kaya提出,其可以将人为活动带来的二氧化碳排放量与经济、政策、人口等因素建立联系。基于对相关文献的广泛梳理和借鉴[18−20],研究建立改进后的KAYA恒等式和LMDI指数分解方法对中国民航碳排放进行分解分析
$$\begin{split} {C_i} &= \frac{{{C_i}}}{{{S_i}}} \times \frac{{{S_i}}}{{{W_i}}} \times \frac{{{W_i}}}{{{N_i}}} \times \frac{{{N_i}}}{{{Q_i}}} \times \frac{{{Q_i}}}{{{P_i}}} \times {P_i}\\ &= {I_i} \times {E_i} \times {T_i} \times {R_i} \times {G_i} \times {P_i} \end{split}$$ (3) 式中,i表示年份;C、S、W、N、Q、P分别表示碳排放量(104 t)、行业能耗(104 t)、运输周转量(108 tkm)、运输收入(108元)、GDP(108元)、人口数量(104人)。I、E、T、R、G、P分别表示碳排放因子(t/t)、能耗强度(104t/108 tkm)、运输强度(108 tkm/108元)、产业结构(108元/108元)、经济水平(108元/104人)、人口规模(104人)。
由此,将中国民航业第i年到第i+1年碳排放量变动值分解为6个驱动因素的共同作用
$$ \Delta C = {C_{i + 1}} - {C_i} = \Delta {C_I} + \Delta {C_E} + \Delta {C_T} + \Delta {C_R} + \Delta {C_G} + \Delta {C_P} $$ (4) 式中,
$ \Delta {C_E} $ 表示能源消耗强度的驱动效应,能源消耗强度为行业单位运输周转量所需的油耗,民航业的产业结构为典型的能源密集型,更高的能源强度通常会导致更高的碳排放,因此其在行业碳排放中具有显著的潜在影响。$ \Delta {C_T} $ 表示运输强度的驱动效应,运输强度为单位产值所需的交通运输量,其反映了航空公司的运营效率指标,高效的航空公司通常能够更有效地利用燃油,减少单位产值需要的运输量,而较低的单位收入周转量可能意味着更高的碳排放,其需要更多的燃油来带动相同的产值。$ \Delta {C_R} $ 表示产业结构的驱动效应,产业结构代表了行业收入占国内生产总值的比重,其反映了在国家经济结构中民航业的地位和相对重要性。不同的经济结构通常伴随着不同的产业特点,若民航业在经济结构中占比较高,则说明民航业的规模和活动可能更大,其可以直接或间接地影响到民航碳排放水平。$ \Delta {C_G} $ 表示经济水平的驱动效应,人均GDP是用来衡量国家或地区经济水平的重要指标,经济水平的提高会影响人们的消费模式,相较于其他交通运输方式人们可能会逐渐倾向航空运输,从而带来更多的商务旅行和货物运输需求,这会增加民航业的活动从而导致碳排放的增加。$ \Delta {C_P} $ 表示人口规模的驱动效应,人口数量是一个国家或地区民航运输活动的“基石”,也是影响需求的主要决定因素之一。通常情况下人口数量越多将伴随着更大的潜在旅客和货物运输需求。这意味着航空公司需要提供更多的航班和运输服务,以满足人们的出行需要,从而增加相应的航空运输活动量。由于目前碳排放因子
$ \Delta {C_I} $ 为固定值,其驱动效应的贡献值为0。但在可以预计的未来,随着可持续生物燃料(sustainable aviation fuel,SAF)的逐步替代使用,每单位燃料消耗所产生的碳排放量将显著降低,这会直接影响到民航的碳排放。在民航业普遍使用传统航空煤油情况下,更低的碳排放因子意味着会带来更环保的航空飞行。采用LDMI指数分解可得到各个因素的驱动效应公式
$$ \Delta {C_E} = \frac{{{C_{i + 1}} - {C_i}}}{{{\mathrm{In}}C{}_{i + 1} - {\mathrm{In}}C{}_i}} \cdot {\mathrm{In}}\left( {\frac{{{E_{i + 1}}}}{{{E_i}}}} \right) $$ (5) $$ \Delta {C_T} = \frac{{{C_{i + 1}} - {C_i}}}{{{\mathrm{In}}C{}_{i + 1} - {\mathrm{In}}C{}_i}} \cdot {\mathrm{In}}\left( {\frac{{{T_{i + 1}}}}{{{T_i}}}} \right) $$ (6) $$ \Delta {C_R} = \frac{{{C_{i + 1}} - {C_i}}}{{{\mathrm{In}}C{}_{i + 1} - {\mathrm{In}}C{}_i}} \cdot {\mathrm{In}}\left( {\frac{{{R_{i + 1}}}}{{{R_i}}}} \right) $$ (7) $$ \Delta {C_G} = \frac{{{C_{i + 1}} - {C_i}}}{{{\mathrm{In}}C{}_{i + 1} - {\mathrm{In}}C{}_i}} \cdot {\mathrm{In}}\left( {\frac{{{G_{i + 1}}}}{{{G_i}}}} \right) $$ (8) $$ \Delta {C_P} = \frac{{{C_{i + 1}} - {C_i}}}{{{\mathrm{In}}C{}_{i + 1} - {\mathrm{In}}C{}_i}} \cdot {\mathrm{In}}\left( {\frac{{{P_{i + 1}}}}{{{P_i}}}} \right) $$ (9) 若驱动因素分解结果大于0,表示该因素会正向促进碳排放的增长,反之则表示具有负向抑制作用。
5种驱动因素的分解结果同样也可以转化为贡献率的表达形式。
能源消耗强度驱动效应贡献率
$$ {D_E} = \left( {\Delta {C_E}/\left| {\Delta C} \right|} \right)\text{%} $$ (10) 运输强度驱动效应贡献率
$$ {D_T} = \left( {\Delta {C_T}/\left| {\Delta C} \right|} \right)\text{%} $$ (11) 产业结构驱动效应贡献率
$$ {D_R} = \left( {\Delta {C_R}/\left| {\Delta C} \right|} \right)\text{%} $$ (12) 经济水平驱动效应贡献率
$$ {D_G} = \left( {\Delta {C_G}/\left| {\Delta C} \right|} \right)\text{%} $$ (13) 人口规模驱动效应贡献率
$$ {D_P} = \left( {\Delta {C_P}/\left| {\Delta C} \right|} \right)\text{%} $$ (14) (四) Tapio脱钩模型
运输总周转量和行业收入两个指标对于民航业来说具有代表性,它们涵盖了航空活动的核心活动和核心目标,因此基于Tapio脱钩模型构建中国民航业碳排放与行业发展脱钩关系模型为
$$ {\varepsilon _{\left( {C,R} \right)}} = \frac{{{\text{%}} \Delta C}}{{{\text{%}} \Delta R}} = \frac{{\left( {CO{2_t} - CO{2_0}} \right)/CO{2_0}}}{{\left( {RT{K_t} - RT{K_0}} \right)/RT{K_0}}} $$ (15) $$ {\varepsilon _{\left( {C,V} \right)}} = \frac{{{\text{%}} \Delta C}}{{{\text{%}} \Delta V}} = \frac{{\left( {CO{2_t} - CO{2_0}} \right)/CO{2_0}}}{{\left( {RE{V_t} - RE{V_0}} \right)/RE{V_0}}} $$ (16) 式中,
$ {\varepsilon _{\left( {C,R} \right)}} $ 和$ {\varepsilon _{\left( {C,V} \right)}} $ 分别为碳排放和运输周转量、碳排放和行业收入的脱钩弹性指数,$ CO{2_t} $ 表示第t年的碳排放量(104t),$ RT{K_t} $ 表示第t年的运输周转量(108tkm),$ RE{V_t} $ 表示第t年的行业收入(108元),$ RT{K_0} $ 和$ RE{V_0} $ 表示为第0年的运输周转量和行业收入,%表示为当变量变动一个百分点时,碳排放变化的百分比程度。民航业Tapio脱钩模型的八种脱钩状态及含义,如表1所示。民航业Tapio脱钩模型8种脱钩状态和判断标准,如图1所示。表 1 民航业Tapio脱钩模型的八种脱钩状态及含义脱钩状态 含义 脱钩 强脱钩 周转量/行业收入增长,碳排放量下降的状态,即碳排放量会随着周转量/行业收入的增长而下降,此状态为行业低碳发展的最佳状态 弱脱钩 周转量/行业收入增长的同时,碳排放量也随之增长,但碳排放增速低于周转量/行业收入增速的状态 衰退脱钩 周转量/行业收入下行的情况下碳排放量也随之减少,且碳排放下降速度大于周转量/行业收入的下降速度的状态 负脱钩 强负脱钩 周转量/行业收入下行的情况下,碳排放量持续增加,即碳排放量随着周转量/行业收入的下行反而增加,此状态为行业最差的发展状态 弱负脱钩 周转量/行业收入下行的情况下,碳排放量也随之减少,但是碳排放下降速度低于周转量/行业收入下降速度的状态 扩张负脱钩 周转量/行业收入增长的同时,碳排放量随之增加,且碳排放量的增长速度大于周转量/行业收入增速的状态 连接 扩张连接 周转量/行业收入增长的同时,碳排放量随之增加,且碳排放量的增速和周转量/行业收入的增速接近的状态 衰退连接 周转量/行业收入下行的情况下,碳排放量减少,且碳排放量下降速度和周转量/行业收入下降速度接近的状态 (五) 脱钩努力模型
脱钩努力是指在不影响行业发展的前提下,所有直接或间接促进碳排放减少的措施。根据上述分析可知LMDI分解技术可以和Tapio脱钩模型很好地结合起来,量化驱动因素对中国民航发展和碳排放之间脱钩弹性贡献程度,以便进一步评估脱钩努力的有效性和导致脱钩状态变化的内在作用机制。因此,通过公式推导将民航业碳排放和行业发展的脱钩状态用能源消耗强度效应(
$ {B_E} $ )、运输强度效应($ {B_T} $ )、产业结构效应($ {B_R} $ )、经济水平效应($ {B_G} $ )、人口规模效应($ {B_P} $ )量化表示。当周转量或行业收入的增长效应为正时,脱钩努力模型的推导过程为$$\begin{split} {B_{\left( {C,R} \right)}} & = - \frac{{\Delta {C_t}/C}}{{\Delta {R_t}/R}}\\ & = - \left( {\frac{{\Delta {C_E}/C + \Delta {C_T}/C + \Delta {C_R}/C + \Delta {C_G}/C + \Delta {C_P}/C}}{{\Delta {R_t}/R}}} \right)\\ & = {B_E}^{\left( {C,R} \right)} + {B_T}^{\left( {C,R} \right)} + {B_R}^{\left( {C,R} \right)} + {B_G}^{\left( {C,R} \right)} + {B_P}^{\left( {C,R} \right)} \end{split}$$ (17) 同样
$$\begin{split} {B_{\left( {C,V} \right)}} & = - \frac{{\Delta {C_t}/C}}{{\Delta {V_t}/V}}\\ & = B_E^{\left( {C,V} \right)} + B_T^{\left( {C,V} \right)} + B_R^{\left( {C,V} \right)} + B_G^{\left( {C,V} \right)} + B_P^{\left( {C,V} \right)} \end{split}$$ (18) 式中,
$ {B_{\left( {C,R} \right)}} $ 和$ {B_{\left( {C,V} \right)}} $ 分别表示碳排放和周转量、运输收入的脱钩努力总指标,$ {B_E} $ 、$ {B_T} $ 、$ {B_R} $ 、$ {B_G} $ 和$ {B_P} $ 则表示5种驱动效应各自做出的脱钩努力程度。当B<0时,表示无脱钩努力,驱动因素不会促进碳排放的脱钩;当0<B<1时,表示弱脱钩努力,驱动因素对碳排放的脱钩的努力程度小于行业发展的促进作用;当B>1时,表示强脱钩努力,驱动因素对碳排放的脱钩的努力具有明显促进作用。(六) 技术路线图
笔者以中国民航为研究对象,以2000—2019年为时间窗口,首先采用IPCC碳排放清单核算方法对中国民航碳排放进行全面核算,并从碳排放总量和强度方面进行时序分析。运用LMDI指数分解法将行业碳排放变化量分解为6个驱动因素的作用(碳排放因子、能耗强度、运输强度、产业结构、经济水平、人口规模),从逐年效应和累计效应探讨分析各驱动因素在不同时期对碳排放的贡献程度;基于传统Tapio脱钩模型构建中国民航的碳排放和行业发展脱钩模型,进而评估行业发展和碳排放的脱钩状态变化和发展趋势;通过构建LMDI-Tapio解耦努力模型量化驱动因素对民航业发展和碳排放之间脱钩变化贡献程度,以便评估当前节能减排政策的有效性,为未来中国民航碳减排政策和措施的制定提供参考建议,具体研究技术路线,如图2所示。
三、 结果及分析
(一) 中国民航碳排放分析
中国民航碳排放量和碳排放强度变化趋势,如图3所示。由图3可知,根据上文模型核算结果可知,中国民航碳排放量持续上升,而碳排放强度基本实现稳定下降,排放总量和强度指标呈现出“X”型增长趋势。一方面,说明中国民航在过去20年的时期里经历了较快速度的发展,航空运输业务增长迅速,中国民航运输总周转量年平均增长率超过13%。实际上,早在2006年,中国在民航运输体量上就成为仅次于美国的世界第二航空大国。另一方面,中国民航在节能增效上始终保持着积极主动,行业运输碳强度从2000年的1.269 kg/tkm减少到2019年的0.898 kg/tkm,年平均效率提高1.8%,取得了显著的减排效果。但在2010年后碳排放强度下降趋势逐年放缓,甚至在个别年份出现上升的现象,这表明中国民航在能源利用率上可能达到瓶颈。
总体来看,中国民航发展快速,碳排放总量在2019年达到1.16×108 t,在可预计的未来将不可避免地带来大量化石能源消耗和环境问题。能源利用率虽然长期发挥着重要的减排成效,但未来减排潜力有限。因此,分解、分析中国民航关键碳排放驱动因素,揭示碳排放和行业发展脱钩关系和内部作用机制具有重要现实意义。
(二) 行业碳排放驱动因素分解分析
图4和图5展示了中国民航2000—2019年二氧化碳的分解变化情况。基于LMDI分解模型分析框架可以得到行业碳排放总量的变化归因于能耗强度驱动效应、运输强度驱动效应、产业结构驱动效应、经济水平驱动效应和人口规模驱动效应,各因素的效应值和贡献率具体如表2和表3所示。
表 2 中国民航碳排放逐年分解结果年份 ΔE ΔT ΔR ΔG ΔP ΔC 2001 −91.25 116.32 −48.59 151.78 11.30 139.55 2002 −81.83 −420.23 531.40 155.89 11.57 196.79 2003 −52.92 116.24 −280.45 219.12 11.41 13.41 2004 −81.65 −126.24 428.34 344.12 12.81 577.38 2005 −38.75 −24.86 −35.65 368.09 15.45 284.28 2006 −80.27 −133.94 131.34 452.27 15.60 385.00 2007 −189.79 70.43 −170.67 678.87 17.32 406.16 2008 35.10 −53.75 −441.26 588.86 18.45 147.40 2009 −50.62 410.28 −262.56 325.08 19.10 441.27 2010 −363.15 −496.18 782.91 728.90 21.45 673.92 2011 17.59 −497.02 1.85 814.26 30.69 367.36 2012 149.79 −58.93 −175.70 494.08 40.20 449.43 2013 80.80 532.64 −534.65 538.06 35.14 651.98 2014 −22.36 197.21 −25.92 498.49 44.47 691.89 2015 −50.37 650.38 −192.75 468.70 36.61 912.57 2016 −28.56 474.15 −120.78 617.81 54.73 997.35 2017 −128.83 −89.17 177.26 965.76 52.29 977.31 2018 −72.12 −189.96 275.36 996.34 39.24 1048.86 2019 −78.79 143.18 −156.44 757.89 37.38 703.22 注:ΔE、ΔT、ΔR、ΔG、ΔP和ΔC的单位均为104 t;2001表示2001年和2002年这两个相邻时间段之间的驱动效应,以此类推;图4、图6、图9和图10,表4—表6中年份表示意义同表2。 表 3 不同时期中国民航碳排放驱动因素贡献率年份 ΔE ΔT ΔR ΔG ΔP 2000—2003 −501.73% 736.95% − 1856.89 %1822.56 %99.10% 2004—2006 −48.62% −65.40% 95.76% 306.55% 11.71% 2007—2009 −34.39% 73.85% −400.90% 640.32% 21.11% 2010—2012 −15.77% −222.03% 77.58% 439.74% 20.48% 2013—2015 3.64% 181.47% −106.87% 205.93% 15.83% 2016—2019 −34.17% 40.67% 10.04% 363.53% 19.89% 注:ΔE、ΔT、ΔR、ΔG和ΔP表示各因素占研究期间ΔC绝对值的百分比。 能源强度驱动因素在2000—2019年期间年平均减排59.37×104 t,在2010年达到363.15×104 t,减排贡献率超过了70%,有效抑制了当年的碳排放量。并且在2007、2017年期间其减排效应值也分别达到−189.79、−128.83×104 t,并且在其余年份能源强度也基本保持着对碳排放的抑制作用,发挥了重要的减排效果。这是由于中国民航出台的一系列减排措施和政策取得成效,如积极引进下一代飞机,优化运营和航班计划、大面积推广APU替代等,这些举措都可以提高飞机的燃油效率和性能。由图4可知,2008年和2011—2013年
$ \Delta {C_E} $ 出现异常的上升现象,短暂表现为对碳排放的正向促进作用,2012达到149.79×104 t,后续驱动效应曲线逐年放缓并在2013年后又恢复为对碳排放的负向抑制效果,这可能和该时期机队结构变化和短途航班频次增加有关。整体来看能耗强度发挥稳定抑制碳排放的作用,$ \Delta {C_E} $ 在大部分时期均小于零,累计减排1128 ×104 t。运输强度在研究期间驱动效应的累计值为620.53×104 t,但是其驱动碳排放的效应值并不稳定。
$ \Delta {C_T} $ 在2000—2012年期间表现出对碳排放正向促进和负向抑制交替出现的情况,2012—2016年进入了相对稳定期,整体表现对碳排放正向贡献。2016年以后$ \Delta {C_T} $ 开始逐渐下降并表现对碳排放的抑制作用,并在2019年转变为正向拉动作用。造成这种现象的原因可能是因为航空业受全球宏观经济和能源价格波动的影响较大,这些因素都会使航空公司成本和收入会受到影响,从而导致$ \Delta {C_T} $ 波动较大,规律相对不明显,不过累计看来运输强度仍发挥对碳排放的促进作用。由图4可知,在2002年、2004年和2010年产业结构是显著促进碳排放的驱动因素,驱动效应值分别达到531.4、428.34和782.91×104 t,这说明该时期的国民经济结构促进了民航业的快速发展,从而产生相应的碳排放。然而,由图5可知,产业结构对碳排放的驱动作用相比于其他因素其累计表现不显著,在研究期间其累计驱动效应值仅为−116.97×104 t,虽然整体上起到了一定的减排效果,但相比于
$ \Delta {C_E} $ 来说仅相当于其1/10的减排量。在大多数时期经济水平是主要拉动碳排放增长的驱动因素,2000—2007年和2011—2018年期间
$ \Delta {C_G} $ 基本实现了稳步增长,并在该时期发挥着显著促进碳排放量增长的作用。由图5和表3可知,$ \Delta {C_G} $ 相比于其他因素对碳排放有着更加显著作用效果和影响,在2000—2019整个研究期间始终保持着对碳排放的正向促进作用,累计贡献率达到100.99%。2008年和2012年由于受到全球金融危机、国内经济调整改革、突发事件等影响,使得$ \Delta {C_G} $ 在该时期出现不同程度下降,长期来看经济水平驱动效应和当年碳排放量在一定程度上存在相关性,国民经济水平的不断提高是促进碳排放量增长的主要原因。人口规模在所有驱动因素中是变动幅度最小的驱动因素,由图4可知,呈现出近似一条缓慢上升的“直线”。2000—2019年随着全国人口数量稳步增长,
$ \Delta {C_P} $ 持续发挥着对碳排放的正向拉动作用,驱动效应值从2001年的11.3×104t增长到2016年的54.73×104 t,但是整体增幅较小且在2017年后效应值逐年降低。这是由于虽然中国人口基数庞大并且保持了一定水平的惯性增长,但是生育政策的调整取得成效和人口年龄结构的变化导致中国人口数量增速在近些年逐渐放缓。对各影响因素的驱动效应和发展趋势总结如下:
其一,能耗强度是可以长期稳定发挥碳减排效果的重要驱动因素,由图4可知,其相比于其他因素有着更加稳定的驱动效果。由图5可知,
$ \Delta {C_E} $ 是最显著抑制碳排放的驱动因素。能耗强度指的是单位收入吨公里(RTK)油耗,也是反映民航业能源利用效率的关键指标,预计随着中国民航的快速发展和行业低碳转型升级的需求,$ \Delta {C_E} $ 将成为未来持续发挥关键减排作用的因素。其二,运输强度驱动因素整体来看发挥对碳排放的拉动作用,在2000—2019年期间平均贡献了39.23%的碳排放,但是其驱动效应值表现出并不稳定的状态。中国民航的运输周转量在研究期间已经增长了10.6倍,预计在未来随着中国航空的不断发展
$ \Delta {C_T} $ 对碳排放的抑制作用将得到减弱。其三,产业结构指的是全行业收益值在国内生产总值中的比例,反映了行业间技术变动和扩散的相互联系。由图5和表2可知,当前国民经济的产业构成对于民航业来说确实可以发挥一定的减排效果,但
$ \Delta {C_R} $ 对于促进行业未来低碳发展模式作用效果有限。其四,经济水平是能显著促进碳排放增长的驱动因素,研究期间显示
$ \Delta {C_G} $ 的驱动效应值始终保持正值且呈现逐年增大趋势。未来随着国民经济水平不断提高,休闲旅游和商业航空运输需求将不断扩大,$ \Delta {C_G} $ 将在拉动中国民航碳排放量持续增长方面发挥重要作用。其五,人口规模从总量上看对碳排放影响较小,驱动作用并不明显,但考虑到2019年中国人均乘机次数仅为0.47次,根据《新时代民航强国建设行动纲要》的估计,到2035年中国人均乘机次数将超过1次,可以预计的是中国庞大的人口基数将使得未来
$ \Delta {C_P} $ 对民航碳排放的促进作用具有巨大潜力。(三) 碳排放与行业发展脱钩关系分析
中国民航碳排放、周转量和行业收入变化率,如图6所示。由图6可知,中国民航业近些年发展迅速,行业运输周转量、行业收入和碳排放指标变化率逐年增长,且三者变动情况逐渐趋于一致,说明行业发展和碳排放之间存在紧密联系。因此,对碳排放和行业发展进行脱钩关系分析可以帮助决策者评估减排措施和政策的有效性,有利于相关政策的完善和加速行业脱钩进程。
在2000—2019年研究期间,如表4、图7和图8所示,中国民航碳排放和周转量之间存在3种脱钩状态:弱脱钩、扩张连接和扩张负脱钩;碳排放和行业收入之间存在4种脱钩状态:弱脱钩、扩张连接、扩张负脱钩和强负脱钩。
表 4 中国民航碳排放和行业发展脱钩指数年份 碳排放弹性值 周转量弹性值 周转量脱钩弹性指数 脱钩状态 行业收入弹性值 收入脱钩弹性指数 脱钩状态 2001 0.090 0.153 0.588 弱脱钩 0.073 1.229 扩张负脱钩 2002 0.116 0.168 0.690 弱脱钩 0.477 0.243 弱脱钩 2003 0.007 0.036 0.199 弱脱钩 −0.026 −0.273 强负脱钩 2004 0.303 0.353 0.859 扩张连接 0.433 0.699 弱脱钩 2005 0.114 0.131 0.873 扩张连接 0.142 0.807 扩张连接 2006 0.139 0.170 0.816 扩张连接 0.225 0.619 弱脱钩 2007 0.129 0.195 0.662 弱脱钩 0.170 0.759 弱脱钩 2008 0.041 0.031 1.319 扩张负脱钩 0.047 0.885 扩张连接 2009 0.119 0.134 0.891 扩张连接 0.021 5.663 扩张负脱钩 2010 0.162 0.261 0.623 弱脱钩 0.408 0.398 弱脱钩 2011 0.076 0.072 1.052 扩张连接 0.184 0.413 弱脱钩 2012 0.087 0.057 1.521 扩张负脱钩 0.069 1.264 扩张负脱钩 2013 0.116 0.101 1.149 扩张连接 0.006 17.817 扩张负脱钩 2014 0.110 0.114 0.967 扩张连接 0.081 1.356 扩张负脱钩 2015 0.131 0.138 0.944 扩张连接 0.043 3.042 扩张负脱钩 2016 0.126 0.130 0.970 扩张连接 0.068 1.857 扩张负脱钩 2017 0.110 0.125 0.877 扩张连接 0.136 0.808 扩张连接 2018 0.106 0.114 0.932 扩张连接 0.135 0.790 弱脱钩 2019 0.064 0.072 0.896 扩张连接 0.058 1.104 扩张连接 脱钩指数的变化可以分为3个阶段:
第一阶段,在2000—2007年期间,民航运输周转量和碳排放之间的脱钩状态先经历了一段时间的弱脱钩状态,然后在2004年后转变为扩张连接状态,整体以弱脱钩状态为主。在20年代初期,中国民航在航空技术节能减排方面相对滞后,因此民航的减排技术和政策措施可以明显促进脱钩进程。行业收入和碳排放脱钩关系在这一时期也以弱脱钩为其主要的脱钩状态,但由表4可知,该时期行业收入和碳排放脱钩关系表现出4种状态交替出现的情况,导致整体的脱钩状态不够稳定。
第二阶段,从2007年到2013年,周转量脱钩弹性指数和收入脱钩弹性指数出现上升,弱脱钩状态比例开始逐渐下降,由图7和图8可知,扩张连接和扩张负脱钩成为民航碳排放和周转量、行业收入之间的主要脱钩状态,其所占比例大于等于1/2。这说明在此期间中国民航的航空运输活动和碳排放之间的关联度得到加强,民航部门在这一时期经历了快速发展阶段,相应机队规模的快速扩大和航空运输的市场化发展带来了大量二氧化碳排放。
第三阶段,2013年以后,中国民航碳排放和周转量扩张连接的脱钩状态得到进一步加强,表现为全时期的扩张连接状态,而行业收入和碳排放之间继续维持以扩张负脱钩为主的脱钩状态,相应的扩张连接状态也得到加强,二者弱脱钩状态比例都在进一步降低。这说明中国民航仍处于以环境影响为代价的粗放型发展阶段,运输周转量和行业收入仍未表现出对碳排放的脱钩趋势,面临着行业发展和环境保护的双重压力。
随着未来全球和中国民航运输市场的逐渐复苏,从长远和整体的角度看来中国民航的发展在未来仍将面临严峻的低碳转型压力,需要进一步研究探讨分析促进行业脱钩的关键因素和脱钩作用机制。
(四) 驱动因素脱钩努力程度分析
根据上述理论分析框架,中国民航碳排放和周转量、碳排放和行业收入的脱钩弹性指数的变化主要取决于能耗强度、运输强度、产业结构、经济水平和人口规模驱动因素的共同作用。构建中国民航驱动因素脱钩努力模型的分解结果,如表5、表6、图9、图10所示。
表 5 驱动因素对碳排放和周转量的脱钩努力效应年份 $ {B_E} $ $ {B_T} $ $ {B_R} $ $ {B_G} $ $ {B_P} $ $ {B_{\left( {C,R} \right)}} $ 2001 0.384 −0.490 0.205 −0.639 −0.048 0.588 2002 0.287 1.473 −1.863 −0.547 −0.041 0.690 2003 0.787 −1.728 4.170 −3.258 −0.170 0.199 2004 0.121 0.188 −0.637 −0.512 −0.019 0.859 2005 0.119 0.076 0.110 −1.131 −0.047 0.873 2006 0.170 0.284 −0.278 −0.959 −0.033 0.816 2007 0.309 −0.115 0.278 −1.107 −0.028 0.662 2008 −0.314 0.481 3.948 −5.269 −0.165 1.319 2009 0.102 −0.829 0.530 −0.657 −0.039 0.891 2010 0.336 0.459 −0.724 −0.674 −0.020 0.623 2011 −0.050 1.424 −0.005 −2.332 −0.088 1.052 2012 −0.507 0.199 0.595 −1.672 −0.136 1.521 2013 −0.142 −0.939 0.943 −0.949 −0.062 1.149 2014 0.031 −0.276 0.036 −0.697 −0.062 0.967 2015 0.052 −0.673 0.199 −0.485 −0.038 0.944 2016 0.028 −0.461 0.118 −0.601 −0.053 0.970 2017 0.116 0.080 −0.159 −0.867 −0.047 0.877 2018 0.064 0.169 −0.245 −0.886 −0.035 0.932 2019 0.100 −0.182 0.199 −0.966 −0.048 0.896 百分比 11.84% −5.11% 44.08% −143.81% −7.00% 表 6 驱动因素对碳排放和行业收入的脱钩努力效应年份 $ {B_E} $ $ {B_T} $ $ {B_R} $ $ {B_G} $ $ {B_P} $ $ {B_{\left( {C,V} \right)}} $ 2001 0.803 −1.024 0.428 −1.336 −0.099 1.229 2002 0.101 0.520 −0.657 −0.193 −0.014 0.243 2003 −1.078 2.368 −5.712 4.463 0.232 −0.273 2004 0.099 0.153 −0.519 −0.417 −0.016 0.699 2005 0.110 0.071 0.101 −1.045 −0.044 0.807 2006 0.129 0.215 −0.211 −0.727 −0.025 0.619 2007 0.355 −0.132 0.319 −1.268 −0.032 0.759 2008 −0.211 0.323 2.650 −3.537 −0.111 0.885 2009 0.650 −5.265 3.370 −4.172 −0.245 5.663 2010 0.214 0.293 −0.462 −0.430 −0.013 0.398 2011 −0.020 0.559 −0.002 −0.916 −0.035 0.413 2012 −0.421 0.166 0.494 −1.390 −0.113 1.264 2013 −2.208 −14.556 14.611 −14.704 −0.960 17.817 2014 0.044 −0.387 0.051 −0.977 −0.087 1.356 2015 0.168 −2.168 0.642 −1.562 −0.122 3.042 2016 0.053 −0.883 0.225 −1.150 −0.102 1.857 2017 0.107 0.074 −0.147 −0.798 −0.043 0.808 2018 0.054 0.143 −0.207 −0.750 −0.030 0.790 2019 0.124 −0.225 0.246 −1.190 −0.059 1.104 百分比 −2.35% −50.04% 38.55% −81.31% −4.86% 经济水平在绝大多数时期是抑制碳排放和行业发展脱钩的主要因素,在很大程度上减缓了行业脱钩进程,由表5和表6也可知,
$ {B_G} $ 在2000—2019年的脱钩努力效应均为负值,表示研究期间未做出脱钩努力。运输强度在个别年份$ {B_T} $ >1表现出强脱钩努力,但从累计结果看来其发挥出对行业发展的负向脱钩努力,其中$ {B_T} $ 对行业收入脱钩的影响程度达到−50.04%,而对周转量脱钩影响最小仅为−5.11%。人口规模在5个因素中对脱钩进程的影响程度相对较弱,$ {B_P} $ 表现出稳定负向抑制行业发展和碳排放脱钩的脱钩努力作用。在多数年份,能耗强度发挥对周转量和碳排放脱钩的积极作用,在2000—2007年和2013—2019年期间0<$ {B_E} $ <1保持着弱脱钩努力,其余时期由于能耗强度的升高对脱钩进程产生了负面影响。由表6可知,$ {B_E} $ 对行业收入和碳排放脱钩指数影响很小仅为−2.35%,这是因为能源消耗强度相对于行业收入和周转量来说,后者有着对碳排放量变化敏感度更高特点。由表5和表6可知,产业结构均对脱钩进程有积极影响,累计贡献率达到44.08%和38.55%,是促进行业发展和碳排放脱钩的主要因素。由图9和图10可知,$ {B_R} $ 在2003年、2008年和2013年作出较强的脱钩努力,在其余年份也大都保持着弱脱钩努力,有效促进了研究期间行业发展和碳排放的脱钩进程。四、 结论与启示
民航业作为经济发展引擎和现代文明的象征,其庞大的碳排放量引发了学界和政府界的普遍关切。为了缓解不断增加的二氧化碳排放,中国民航开始了一系列绿色民航建设举措。为洞悉航空碳排放与行业发展的关系,研究分析了2000—2019年间民航部门碳排放的脱钩特点,并进一步识别了脱钩影响因素与作用机理。研究的主要研究结论如下:
首先,从民航业碳排放特征来看,持续二十年间中国民航碳排放总量从2000年的
1556.63 ×104 t增长到2019年的11621.76 ×104 t,这段时期中国民航经历了快速的发展和供需膨胀,航空公司引进了更多的飞机机队,扩大航线网络,以迎合不断增长的航空需求,由此导致更为频繁的航班活动和更多碳排放。与此同时行业节能减排技术取得一定进展,但碳排放总量显著增长表明技术创新在一定程度上未能完全抵消供需增长对碳排放的冲击,仍需采取更为积极的举措来遏制碳排放。其次,从驱动因素来看,经济发展水平、运输强度和人口规模是对中国民航碳排放起到拉动作用的驱动因素,其中经济发展水平的提高刺激航空运输需求是促进碳排放的主要动力,2000—2019年累计效应占比100.99%,在所有驱动因素中占比最大,其次是运输强度和人口规模。其政策意义在于可以通过价格调整、税收、综合交通方式等效替换等措施抑制航空需求,从而减少航空碳排放。能源消耗强度和产业结构发挥对行业碳排放的负向抑制作用,笔者的研究显示2000—2019年期间能源消耗强度累计减少了
1128 ×104 t碳排放,而产业结构的减排效果仅为能耗强度1/10。预计未来能源消耗强度和产业结构继续发挥对行业的减排效应,且对碳排放的抑制作用逐渐增强。再次,从脱钩关系来看,2000—2019年研究期间中国民航周转量和行业收入与碳排放的脱钩关系在前期以弱脱钩状态为主,即脱钩弹性值在0−0.8之间,这意味着此时期在一定程度上取得行业发展与碳排放增长的脱钩,但这种解耦程度仍然相对较弱。在2007年及以后扩张连接和扩张负脱钩开始成为行业发展与碳排放的主要脱钩状态,弱脱钩比例进一步降低,说明中国民航的发展在一定程度上依赖高碳排放的能源消耗和技术手段,其间内行业节能减排空间进一步压缩,这种发展模式和能源结构的制约很大程度上阻碍了行业和碳排放脱钩进程。
最后,从脱钩努力程度来看,研究期间经济水平、运输强度和人口规模这3种驱动因素并不会对中国民航碳排放的脱钩起到积极作用,它们在大部分时间的脱钩努力效应值都是小于0的,这从侧面说明经济发展与环境保护在未来可以实现共赢。能耗强度在大部分时期发挥了对碳排放和周转量脱钩努力的正向作用,表现出对脱钩进程的弱脱钩努力,但是其对于碳排放和行业收入的脱钩进程并未做出脱钩努力且贡献很小仅为−2.35%。未来大幅度降低能源消耗强度有赖于可持续航空燃料(SAF)的推广及新一代飞机技术的应用。产业结构对行业发展与碳排放的脱钩产生积极影响,在所有因素中对运输周转量和行业收入对碳排放的脱钩进程均做出了最大的脱钩努力,这表明在经济发展中的产业结构调整可能促进了行业间绿色技术创新和应用的流动,使得民航业在实现行业发展的同时减少了碳排放,表现出较为积极的脱钩努力。
-
表 1 民航业Tapio脱钩模型的八种脱钩状态及含义
脱钩状态 含义 脱钩 强脱钩 周转量/行业收入增长,碳排放量下降的状态,即碳排放量会随着周转量/行业收入的增长而下降,此状态为行业低碳发展的最佳状态 弱脱钩 周转量/行业收入增长的同时,碳排放量也随之增长,但碳排放增速低于周转量/行业收入增速的状态 衰退脱钩 周转量/行业收入下行的情况下碳排放量也随之减少,且碳排放下降速度大于周转量/行业收入的下降速度的状态 负脱钩 强负脱钩 周转量/行业收入下行的情况下,碳排放量持续增加,即碳排放量随着周转量/行业收入的下行反而增加,此状态为行业最差的发展状态 弱负脱钩 周转量/行业收入下行的情况下,碳排放量也随之减少,但是碳排放下降速度低于周转量/行业收入下降速度的状态 扩张负脱钩 周转量/行业收入增长的同时,碳排放量随之增加,且碳排放量的增长速度大于周转量/行业收入增速的状态 连接 扩张连接 周转量/行业收入增长的同时,碳排放量随之增加,且碳排放量的增速和周转量/行业收入的增速接近的状态 衰退连接 周转量/行业收入下行的情况下,碳排放量减少,且碳排放量下降速度和周转量/行业收入下降速度接近的状态 表 2 中国民航碳排放逐年分解结果
年份 ΔE ΔT ΔR ΔG ΔP ΔC 2001 −91.25 116.32 −48.59 151.78 11.30 139.55 2002 −81.83 −420.23 531.40 155.89 11.57 196.79 2003 −52.92 116.24 −280.45 219.12 11.41 13.41 2004 −81.65 −126.24 428.34 344.12 12.81 577.38 2005 −38.75 −24.86 −35.65 368.09 15.45 284.28 2006 −80.27 −133.94 131.34 452.27 15.60 385.00 2007 −189.79 70.43 −170.67 678.87 17.32 406.16 2008 35.10 −53.75 −441.26 588.86 18.45 147.40 2009 −50.62 410.28 −262.56 325.08 19.10 441.27 2010 −363.15 −496.18 782.91 728.90 21.45 673.92 2011 17.59 −497.02 1.85 814.26 30.69 367.36 2012 149.79 −58.93 −175.70 494.08 40.20 449.43 2013 80.80 532.64 −534.65 538.06 35.14 651.98 2014 −22.36 197.21 −25.92 498.49 44.47 691.89 2015 −50.37 650.38 −192.75 468.70 36.61 912.57 2016 −28.56 474.15 −120.78 617.81 54.73 997.35 2017 −128.83 −89.17 177.26 965.76 52.29 977.31 2018 −72.12 −189.96 275.36 996.34 39.24 1048.86 2019 −78.79 143.18 −156.44 757.89 37.38 703.22 注:ΔE、ΔT、ΔR、ΔG、ΔP和ΔC的单位均为104 t;2001表示2001年和2002年这两个相邻时间段之间的驱动效应,以此类推;图4、图6、图9和图10,表4—表6中年份表示意义同表2。 表 3 不同时期中国民航碳排放驱动因素贡献率
年份 ΔE ΔT ΔR ΔG ΔP 2000—2003 −501.73% 736.95% − 1856.89 %1822.56 %99.10% 2004—2006 −48.62% −65.40% 95.76% 306.55% 11.71% 2007—2009 −34.39% 73.85% −400.90% 640.32% 21.11% 2010—2012 −15.77% −222.03% 77.58% 439.74% 20.48% 2013—2015 3.64% 181.47% −106.87% 205.93% 15.83% 2016—2019 −34.17% 40.67% 10.04% 363.53% 19.89% 注:ΔE、ΔT、ΔR、ΔG和ΔP表示各因素占研究期间ΔC绝对值的百分比。 表 4 中国民航碳排放和行业发展脱钩指数
年份 碳排放弹性值 周转量弹性值 周转量脱钩弹性指数 脱钩状态 行业收入弹性值 收入脱钩弹性指数 脱钩状态 2001 0.090 0.153 0.588 弱脱钩 0.073 1.229 扩张负脱钩 2002 0.116 0.168 0.690 弱脱钩 0.477 0.243 弱脱钩 2003 0.007 0.036 0.199 弱脱钩 −0.026 −0.273 强负脱钩 2004 0.303 0.353 0.859 扩张连接 0.433 0.699 弱脱钩 2005 0.114 0.131 0.873 扩张连接 0.142 0.807 扩张连接 2006 0.139 0.170 0.816 扩张连接 0.225 0.619 弱脱钩 2007 0.129 0.195 0.662 弱脱钩 0.170 0.759 弱脱钩 2008 0.041 0.031 1.319 扩张负脱钩 0.047 0.885 扩张连接 2009 0.119 0.134 0.891 扩张连接 0.021 5.663 扩张负脱钩 2010 0.162 0.261 0.623 弱脱钩 0.408 0.398 弱脱钩 2011 0.076 0.072 1.052 扩张连接 0.184 0.413 弱脱钩 2012 0.087 0.057 1.521 扩张负脱钩 0.069 1.264 扩张负脱钩 2013 0.116 0.101 1.149 扩张连接 0.006 17.817 扩张负脱钩 2014 0.110 0.114 0.967 扩张连接 0.081 1.356 扩张负脱钩 2015 0.131 0.138 0.944 扩张连接 0.043 3.042 扩张负脱钩 2016 0.126 0.130 0.970 扩张连接 0.068 1.857 扩张负脱钩 2017 0.110 0.125 0.877 扩张连接 0.136 0.808 扩张连接 2018 0.106 0.114 0.932 扩张连接 0.135 0.790 弱脱钩 2019 0.064 0.072 0.896 扩张连接 0.058 1.104 扩张连接 表 5 驱动因素对碳排放和周转量的脱钩努力效应
年份 $ {B_E} $ $ {B_T} $ $ {B_R} $ $ {B_G} $ $ {B_P} $ $ {B_{\left( {C,R} \right)}} $ 2001 0.384 −0.490 0.205 −0.639 −0.048 0.588 2002 0.287 1.473 −1.863 −0.547 −0.041 0.690 2003 0.787 −1.728 4.170 −3.258 −0.170 0.199 2004 0.121 0.188 −0.637 −0.512 −0.019 0.859 2005 0.119 0.076 0.110 −1.131 −0.047 0.873 2006 0.170 0.284 −0.278 −0.959 −0.033 0.816 2007 0.309 −0.115 0.278 −1.107 −0.028 0.662 2008 −0.314 0.481 3.948 −5.269 −0.165 1.319 2009 0.102 −0.829 0.530 −0.657 −0.039 0.891 2010 0.336 0.459 −0.724 −0.674 −0.020 0.623 2011 −0.050 1.424 −0.005 −2.332 −0.088 1.052 2012 −0.507 0.199 0.595 −1.672 −0.136 1.521 2013 −0.142 −0.939 0.943 −0.949 −0.062 1.149 2014 0.031 −0.276 0.036 −0.697 −0.062 0.967 2015 0.052 −0.673 0.199 −0.485 −0.038 0.944 2016 0.028 −0.461 0.118 −0.601 −0.053 0.970 2017 0.116 0.080 −0.159 −0.867 −0.047 0.877 2018 0.064 0.169 −0.245 −0.886 −0.035 0.932 2019 0.100 −0.182 0.199 −0.966 −0.048 0.896 百分比 11.84% −5.11% 44.08% −143.81% −7.00% 表 6 驱动因素对碳排放和行业收入的脱钩努力效应
年份 $ {B_E} $ $ {B_T} $ $ {B_R} $ $ {B_G} $ $ {B_P} $ $ {B_{\left( {C,V} \right)}} $ 2001 0.803 −1.024 0.428 −1.336 −0.099 1.229 2002 0.101 0.520 −0.657 −0.193 −0.014 0.243 2003 −1.078 2.368 −5.712 4.463 0.232 −0.273 2004 0.099 0.153 −0.519 −0.417 −0.016 0.699 2005 0.110 0.071 0.101 −1.045 −0.044 0.807 2006 0.129 0.215 −0.211 −0.727 −0.025 0.619 2007 0.355 −0.132 0.319 −1.268 −0.032 0.759 2008 −0.211 0.323 2.650 −3.537 −0.111 0.885 2009 0.650 −5.265 3.370 −4.172 −0.245 5.663 2010 0.214 0.293 −0.462 −0.430 −0.013 0.398 2011 −0.020 0.559 −0.002 −0.916 −0.035 0.413 2012 −0.421 0.166 0.494 −1.390 −0.113 1.264 2013 −2.208 −14.556 14.611 −14.704 −0.960 17.817 2014 0.044 −0.387 0.051 −0.977 −0.087 1.356 2015 0.168 −2.168 0.642 −1.562 −0.122 3.042 2016 0.053 −0.883 0.225 −1.150 −0.102 1.857 2017 0.107 0.074 −0.147 −0.798 −0.043 0.808 2018 0.054 0.143 −0.207 −0.750 −0.030 0.790 2019 0.124 −0.225 0.246 −1.190 −0.059 1.104 百分比 −2.35% −50.04% 38.55% −81.31% −4.86% -
[1] IEA. Net Zero by 2050 : A roadmap for the global energy sector [R]. Paris: IEA, 2021.
[2] TIMPERLEY J. The six problems aviation must fix to hit net zero [EB/OL]. (2021−09−05)[2023−08−11].
[3] 中国民用航空局. 民航行业发展统计公报[EB/OL]. (2020−06−05)[2023−08−11]. [4] LIU X, ZHANG Y C. What drives the decoupling progress of China’s civil aviation transportation growth from carbon emissions? A new decomposition analysis [J]. PLoS ONE, 2023, 18(3): e0282025. doi: 10.1371/journal.pone.0282025
[5] WANG X L, ZHANG T Y, NATHWANI J, et al. Environmental regulation, technology innovation, and low carbon development: Revisiting the EKC Hypothesis, Porter Hypothesis, and Jevons’ Paradox in China’s iron & steel industry [J]. Technological Forecasting and Social Change, 2022, 176: 121471. doi: 10.1016/j.techfore.2022.121471
[6] 王世进. 江苏碳排放的EKC检验及减排对策分析[J]. 徐州工程学院学报(社会科学版), 2016, 31(3): 78-83. doi: 10.3969/j.issn.1674-3571.2016.03.014 [7] 李达, 林龙圳, 林震, 等. 黄河流域生态保护和高质量发展的EKC检验[J]. 生态学报, 2021, 41(10): 3965-3974. [8] AZLINA A A, LAW S H, MUSTAPHA N H N. Dynamic linkages among transport energy consumption, income and CO2 emission in Malaysia [J]. Energy Policy, 2014, 73: 598-606. doi: 10.1016/j.enpol.2014.05.046
[9] CLIMENT F, PARDO A. Decoupling factors on the energy-output linkage: The Spanish case [J]. Energy policy, 2007, 35(1): 522-528. doi: 10.1016/j.enpol.2005.12.022
[10] TAPIO P. 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, 2005, 12(2): 137-151. doi: 10.1016/j.tranpol.2005.01.001
[11] ENEVOLDSEN M K, RYELUND A V, ANDERSEN M S. Decoupling of industrial energy consumption and CO-emissions in energy-intensive industries in Scandinavia [J]. Energy economics, 2007, 29(4): 665-692. doi: 10.1016/j.eneco.2007.01.016
[12] HAN R, LI L, ZHANG X, et al. Spatial-temporal Evolution Characteristics and Decoupling Analysis of Influencing Factors of China’s Aviation Carbon Emissions [J]. Chinese Geographical Science, 2022, 32(2): 218-236. doi: 10.1007/s11769-021-1247-z
[13] WANG Q, WANG S. Decoupling economic growth from carbon emissions growth in the United States: The role of research and development [J]. Journal of Cleaner Production, 2019, 234: 702-713. doi: 10.1016/j.jclepro.2019.06.174
[14] OZTURK I, MAJEED M T, KHAN S. Decoupling and decomposition analysis of environmental impact from economic growth: a comparative analysis of Pakistan, India, and China [J]. Environmental and Ecological Statistics, 2021, 28: 793-820. doi: 10.1007/s10651-021-00495-3
[15] 刘博文, 张贤, 杨琳. 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, 2018, 28(4): 78-86. [16] IPCC. 2006 IPCC Guidelines for National Greenhouse Gas Inventories [R]. Cambridge: Cambridge University Press, 2006.
[17] VIEIRA J, BRAGA C, PEREIRA R. The impact of COVID-19 on air passenger demand and CO emissions in Brazil [J]. Energy Policy, 2022, 164: 112906. doi: 10.1016/j.enpol.2022.112906
[18] LOO B P Y, LI L. Carbon dioxide emissions from passenger transport in China since 1949: Implications for developing sustainable transport [J]. Energy policy, 2012, 50: 464-476. doi: 10.1016/j.enpol.2012.07.044
[19] ZHU C, YANG Y, WANG X. Analysis on the Influencing Factors of the Carbon Emissions in China’s Air Transport Industry [C]. //2022 International Conference on Management Engineering, Software Engineering and Service Sciences (ICMSS). IEEE, 2022: 141-145.
[20] ANG B W. Decomposition analysis for policymaking in energy: which is the preferred method? [J]. Energy policy, 2004, 32(9): 1131-1139. doi: 10.1016/S0301-4215(03)00076-4