工业部门碳排放量的影响因素分解及预测方法研究

工业部门是全球主要的二氧化碳排放来源之一。了解工业部门碳排放量受何种因素影响,有助于针对性地制定优化措施减少碳排放量。同时,预测碳排放量,可以实现对未来碳排放量的管控和调整,并制定出相应的政策措施来引导和规范工业部门的发展。首先,通过对数平均迪氏指数(LMDI)分解法,构建行业碳排放贡献量的计算模型,分析各影响因素对碳排放的贡献量。进一步,结合因素分解法的分析结果,构建人口、财富、技术随机回归(STIRPAT)模型,对工业部门各行业碳排放量进行预测。最后,以我国某地区工业部门为例进行研究,结果验证了所提模型的可行性。

中国城镇生活能源消费:影响因素分解及空间差异分析

基于对数平均迪氏分解法(LMDI)从全国和省际层面将城镇生活能源消费分解为能源结构效应、生活能源强度效应、消费倾向效应、收入效应和人口规模效应,对各效应逐年和累积效应贡献度以及区域间的空间差异进行分析。结果显示:收入、生活能源强度、人口规模均促进城镇能耗增长,其中收入的影响效应最为显著,而生活能源消费结构与居民消费倾向的变化抑制了生活能耗增长;各地区收入、人口规模、生活能源强度累积效应均为正值,而生活能源消费结构、居民消费倾向累积效应有正有负,呈现出明显的空间差异。研究结果对遏制中国城镇生活能耗增长、实现碳减排具有重要意义。

经济社会转型期武汉城市圈农业碳排放影响因素分解研究——基于农业投入视角

农业碳排放在碳排放总量中所占比重较大,随着武汉城市圈建设“两型”社会的深入推进,武汉城市圈农业碳减排已迫在眉睫。在计算2009—2016年武汉城市圈年农业碳排放总量的基础上,采用改进的Divisia指数分解农业碳排放影响因素,并定量分解其主要驱动因素。结果显示:武汉城市圈农业碳排放总量在2016年高达2.22×106t,相比于2009年翻番,同时武汉城市圈2009—2016年农业碳排放强度呈现出明显的区域差异,其整体和各地区表现出三阶段的变化趋势。碳排放因素分解结果显示,城镇化进程和一般农业技术进步效应较明显地抑制武汉城市圈农业碳排放增长,而农业生产规模效应促进各地区的农业碳排放。笔者提出可以从差异化的农业碳减排措施、农村基础设施建设提升和农村剩余劳动力合理转移等方面推进武汉城市圈低碳农业建设。

基于LMDI法的我国钢铁行业CO_2排放影响因素分解研究

探讨钢铁行业发展过程中CO_2排放的特征及其影响因素,并制定针对性节能减排政策是一项重要且值得深入研究的课题。依据2000—2010年我国钢铁产量相关数据,分析了我国钢铁行业CO_2排放的动态特征,发现其CO_2排放与钢铁产量的增长成正比。采用对数平均迪氏指数分解法(LMDI法)构建了CO_2排放的指数分解模型,并采用该模型将我国钢铁行业CO_2排放影响因素分解为CO_2排放系数、能源消费结构、能源强度、生产总量4项,定量分析了各因素对钢铁行业CO_2排放量变化的影响。结果表明:钢铁产量是CO_2排放量增加的最大拉动因素,能源强度是CO_2排放的最大抑制因素,能源消费结构对CO_2排放量减少有重要影响,但目前因改善力度不够,故效果尚不显著。可见,提高我国能源利用效率是实现CO_2减排的关键。

安徽省工业碳排放影响因素分解及脱钩研究

为有效识别安徽省工业碳排放的影响因素,判断工业经济与工业碳排放脱钩状态,以2005~2020年安徽省工业为研究对象,采用GDIM法对工业碳排放影响因素进行分解,结合DPSIR框架脱钩模型分析各影响变量与工业碳排放的脱钩程度。研究结果表明:工业产出效应是促进安徽省工业碳排放的主要影响因素,总体贡献率达到53.57%;产出碳排放效应表现为明显的抑制作用。工业碳排放与工业经济在2006~2020年之间的脱钩效应呈现出“M”型变化特点,产出碳强度是实现脱钩的关键因素,能源消费效应和技术进步效应对整体脱钩有较强的抑制作用;因此提出了优化绿色金融政策框架、倡导低碳企业文化、大力发展循环经济等措施。

中国石化行业二氧化碳排放的影响因素分解——基于广义迪氏指数分解法

采用广义迪氏指数分解法对我国石化行业2000-2016年的二氧化碳排放演变进行分解,进行阶段性及累计效应分析,考察投资、产出、能源消费以及相应的碳强度、能源强度和投资效率的变化对二氧化碳排放变化的贡献情况。结果表明,投资、产出及能源消费规模是促进二氧化碳排放增长的主要因素;投资碳强度和产出碳强度是主要的促降因素;能源碳强度、投资效率和能源强度作用较弱,具有很大的改善空间,是未来石化行业减碳政策制定的主要着手点。

我国农业碳排放基本现状及影响因素研究

基于农业能源利用、农用物资投入、水稻种植和畜禽养殖四大农业碳排放源测算我国2013-2022年的农业碳排放,并运用LMDI模型对我国农业碳排放进行影响因素分解。结果表明:2013-2022年我国农业碳排放量呈现波动式下降趋势,碳排放强度呈现持续下降趋势,农业碳排放的总量和强度省际差异比较明显。农业生产效率因素能有效抑制农业碳排放,农村经济发展因素是导致我国农业碳排放量增加的主要因素,且是各分解变量中唯一正向驱动碳排放量增加的因素。进而提出减少农业碳排放,促进农业高质量发展应从推广农业科技、加快农业农村环境治理和引导省际减排互动等方面协同推进等建议。

一种能源消耗强度影响因素分解的新方法

研究能源消费各影响因素对能源消费的影响程度是降低能耗节约能源的基础。能源消耗强度影响因素分解是测度能源消耗强度影响程度的一类方法,对这类方法的研究和应用有极其重要的现实意义。本文提出了一种能源消耗强度影响因素分解的新方法,该方法分别利用对数平均迪氏指数法和投入产出法的优势,在完全分解交互项的同时,充分考虑部门之间的消耗及产品结构变化等特点。通过将此方法用于中国能源强度影响因素分解的结果证明,该方法是一种行之有效的分解方法。

GIS设备中SF_6气体分解影响因素分析

SF_6气体无色、无味且不会污染环境,具备较高的耐电强度,因而被广泛应用至GIS等电气设备中。但运行中的GIS等电气设备会因安装以及制造等环节释放出二氧化硫、二氧化碳、硫化氢以及氟化氢等有害气体,不但影响了设备正常的运转,还危害了检修人员的生命安全。为此,工作人员应掌握SF_6气体的分解机制,并研究不同放电情况下GIS等电气设备内部SF_6气体的分解过程,从而确保设备的安全运行。

我国产业结构调整的影响因素分析

现代经济快速发展主要通过产业结构优化升级来实现,而产业结构优化升级则依靠产业结构调整。分析产业结构调整影响因素及影响程度是产业结构调整的基础。本文将投入产出理论与对数平均迪氏指数分解法相结合,构建产业结构调整影响因素新模型,将其用于分析我国产业结构影响因素的影响程度,以寻求我国产业结构调整规律,旨在为国家产业结构调整及优化升级提供政策依据。

京津冀地区碳排放因素分解——兼论“新常态”下的变动趋势

测算了京津冀地区1995—2013年的碳排放总量并分析了碳排放特征。基于LMDI因素分解法,从产业和地区两个层面对地区碳排放影响因素进行了无残差分解,得到了经济发展是地区碳排放增长的主要驱动因素,能源强度是主要抑制因素。从产业层面来看,产业结构和能耗结构贡献度较小且在三地作用不一致,二者均是北京碳排放增长的抑制因素;二者对天津碳排放的影响在各阶段呈正负交替作用;在2005—2010年、2010—2013年对河北起到了微弱的抑制作用,其余阶段均起到了驱动作用。从地区层面来看,地区结构在各阶段起到了微弱的抑制作用;能耗结构除在2000—2005年起到一定的驱动作用,其余阶段起到了微弱的抑制作用。结合"新常态"的经济运行特点,分析了碳排放影响因素的变动趋势,从区域分工和协同减排角度给出了建议。

基于LMDI的浙江省工业污染物排放影响因素分析

利用LMDI方法,对浙江省2010~2017年的工业废水污染物排放的影响因素进行了分解。研究的污染物为COD和氨氮,研究时将其影响因素分解为规模效应、结构效应和技术效应。研究期内,浙江省工业结构由劳动、资源密集型产业逐渐向技术密集型产业转变,工业生产排放COD和氨氮量的年均降幅分别为14.2%和16.9%。研究结果表明:①产业规模的扩大驱动了工业排放污染物量的增加;②规模效应增加了COD排放量4.72万t,增加了氨氮排放量0.33万t;③结构效应减少了COD排放量2.19万t,减少了氨氮排放量0.15万t;④浙江省高污染行业占比的下降促进了污染物减排,低污染行业比重的上升对污染物排放量的影响不大;⑤技术效应是驱动工业排放污染物减少的重要因素,特别是对于高污染排放行业的技术进步更是一个重要的因素。

北京市碳强度影响因素研究

为探究碳强度的影响机制,本文以北京市为例,使用LMDI模型对碳强度的影响因素进行分解.结果表明,能源强度是导致碳强度下降最主要的因素,产业结构对碳强度的影响稍小.研究结果对我国碳强度相关工作的进行提供了指导意义.

辽河流域(辽宁段)主要农作物生产虚拟水含量计算及其影响要素定量分解

对辽河流域(辽宁段)主要农作物生产虚拟水含量进行了计算并结合通径分析方法对影响要素的贡献量进行定量分解。计算结果表明:辽河流域(辽宁段)主要农作物玉米、水稻、大豆年平均生产虚拟水含量为18.25亿m3,总体呈现递增变化趋势,递增幅度为1.23亿m3/a。除农作物耕作面积外,农业生产机械动力以及化肥使用效率是影响区域农作物生产虚拟含水量的主要影响因素,其贡献率分别为21.3%和15.1%。研究成果对于区域农业用水高效利用具有重要参考价值。

农业碳排放的驱动因素与退耦效应研究——以长江经济带为例

利用LMDI分解模型探讨长江经济带农业碳排放各种影响因素的贡献值,再逐年分析其碳排放增速和经济增长之间的退耦效应。结果表明,长江经济带农业碳排放在2010—2019年呈现出先缓慢增长后快速下降的趋势。农业经济发展对长江经济带农业碳排放起极大的促进作用,而农业生产效率、劳动力规模和生产结构对长江经济带农业碳排放有较为明显的抑制作用。2010—2019年退耦指数有增大的趋势,说明政府出台的节能减排政策正在被有效执行,对二氧化碳排放的抑制效果不断增强。

中国交通运输基础设施资本回报率的分解

资本回报率是交通运输基础设施投资效率的重要反映,也是分析交通运输基础设施影响经济增长的有力依据。本文估算了全国和分省交通运输基础设施的资本存量和资本回报率,并着重对1979-2013年全国资本回报率及其影响因素进行了分解分析,发现影响中国交通运输基础设施资本回报率的主要因素是产出资本比,其次是产出价格变动和资本价格变动,而折旧率可视为几乎没有影响。

我国轿车需求的影响因素、趋势及区域变化——基于居民家用轿车保有量的实证分析

在代表性家庭的假设下考察了我国居民的购车决策,根据收入分布特征估计了家用轿车总保有量,讨论了各因素对我国家用轿车保有量快速增长的影响。结果表明,收入水平增加和汽车价格下降是最主要的影响因素,收入差距扩大和人口规模增加也有一定贡献。此外,保有量的收入水平弹性分析表明,我国家用轿车需求仍将保持快速增长趋势,其中二线省市已成为增长最具活力的区域,但一线省市仍是需求增长的主要拉动力量。价格弹性分析表明,2009年购置税下调对刺激家用轿车购买效果显著。

基于LMDI模型的我国铁路货运量因素分解

本文运用对数平均迪氏分解法(LMDI),综合分析历年经济规模、运输强度、运输结构三个因素对我国铁路货运量变化的影响。LMDI模型结果表明,经济规模因素是我国铁路货运量变化的最主要影响因素。2000年~2011年,经济规模因素促进铁路货运量快速增长;2012年~2015年,运输结构因素、运输强度因素对铁路货运量增长的反向作用强于经济规模因素的正向作用,铁路货运量下滑;2016年~2018年,运输结构调整政策推动铁路货运量回升。

Selection model of trip time for rural population

Referring to the 1 248 survey data of rural population in 14 provinces of China, the influencing factors of trip time choice were analyzed. Based on the basic theory of disaggregate model and its modelling method, nine grades were selected as the alternatives of trip time, the variables affecting time choice and the method getting their values were determined, and a multinomial logit (MNL) model was developed. Another 1 200 trip data of rural population were selected to testify the model's validity. The result shows that the maximum absolute error of each period between calculated value and statistic is 3.6%, so MNL model has high calculation accuracy.

Major factors influencing reading comprehension： A factor analysis approach

The present study attempts to identify the major factors influencing EFL reading comprehension by drawing on the data collected from questionnaire and tests. The findings indicate that reading comprehension is composed of three major components： ＂Schema＂, ＂Vocabulary＂, and ＂Motivation ＆ Purpose＂. These three components are made up of the following six factors respectively： ＂textual schema＂, ＂extra-textual schema＂, ＂vocabulary guessing＂, ＂vocabulary noticing＂, ＂motivation＂ and ＂purpose＂. Among the major components of reading comprehension, the four factors of ＂textual schema＂, ＂vocabulary guessing＂, ＂vocabulary noticing＂ and ＂motivation＂ are significantly correlated with reading comprehension.