全流程视角下大气污染变动的分解分析

全文总计 9284 字,阅读时间 24 分钟,快速浏览仅需 5 分钟。

副标题:——以长三角地区为例

英文标题:Whole Process Decomposition Analysis of Air Pollution: A Case of Yangtze River Delta Region

内容摘要:精确把握影响二氧化硫等大气污染变动的社会经济动因是采取有效防治措施的根本前提。本文在全流程视角下,利用指数分解分析方法将污染物的变动分解为源头防治、过程控制、末端治理和经济规模四个方面的因素,并对长三角地区26个城市“十一五”以来二氧化硫的变动情况进行了实证分析。结果表明:整体上,长三角地区二氧化硫排放总量得到了较好的控制,特别是“十二五”时期,减排效果较为明显;源头防治的潜力未能得到充分挖掘,末端治理仍是长三角地区二氧化硫控制的主要手段,“先污染,后治理”的模式并未得到根本扭转;长三角各城市对二氧化硫的治理措施有不同侧重,可区分为治理领先型、过程依赖型、末端依赖型和治理落后型四种类别。本文提出长三角各城市应改变依赖末端治理控制污染排放的惯性思维,在联防共治的区域合作机制下因地制宜地发展全流程治理模式。

关键词:大气污染,全流程治理,指数分解分析,长三角地区,air pollution,whole process treatment,index decompositio

GB/T 7714-2015 格式引文:[1].全流程视角下大气污染变动的分解分析.[J]或者报纸[N].环境经济研究,(20183):106-120

正文内容

   一、引言

   2013年以来,我国的长三角、京津冀等地区成为雾霾等大气污染的高发区,且持续时间长、影响范围广、强度大。如何采取有效措施,消除人们的“心肺之患”,实现区域经济与环境的协调、可持续发展,成为政府、学界等各界人士的重要关切。党的十九大报告和2018年国务院政府工作报告进一步提出要站在事关全面建设小康社会和实现高质量发展的角度把污染防治作为三大攻坚战之一予以攻克。

   为有针对性地实现雾霾等大气污染的综合防治,需要把握污染的核心影响因素,了解主要污染物的变动特征和趋势。现有研究也从多个方面展开了一些探讨。比如,张人禾等(2014)从大气环流背景场和雾霾天气演变过程,分析了气象条件在持续性强雾霾天气中的影响;潘本锋等(2013)在分析雾霾天气发生时的大气相对湿度、风速、气温、浓度等因素后,认为雾霾的产生是气象要素和环境要素共同作用的结果。除了上述学者提出的气候因素,李晓燕(2016)、冯少荣和冯康巍(2015)、李卫东和黄霞(2018)的研究表明,大气污染的影响因素和相关治理措施还要充分考虑经济、产业、能源等社会经济动因。与此相关的研究较多,如马丽梅和张晓(2014)就指出我国雾霾污染水平随煤炭占能源消费比重的提升呈单调上升态势。邵帅等(2016)认为公路交通运输强度的提升促使了雾霾污染程度的加剧。李云燕和殷晨曦(2017)发现持续增长的机动车保有量逐渐成为京津冀地区雾霾污染的首要影响因素。冷艳丽等(2015)基于中国省际面板数据的研究指出外商直接投资与雾霾污染呈正相关关系。康雨(2016)则认为贸易开放度对雾霾有加剧作用。李欣等(2017)指出城市化推进是我国长三角地区雾霾加剧的重要原因。严雅雪(2017)发现城市化水平对碳排放和雾霾污染协同关系的影响存在门槛效应。

   上述研究基本是采用计量经济模型研究某些变量与雾霾污染之间的关系,是一种探讨外在影响的思路。随着研究工具的发展,指数分解分析(IDA)和结构分解分析(SDA)除了应用在温室气体和能源消费领域(Ang & Zhang,2000;Liu et al.,2007;Xu & Ang,2013),也开始用于研究雾霾等大气污染的内在驱动因素。比如,De Bruyn(1997)较早分析了1980-1990年荷兰与西德的变化状况,发现的减少主要归功于技术效应;Selden等(1999)、Bruvoll和Medin(2003)对美国和挪威主要污染物的研究也表明结构效应减少污染的作用有限,而技术效应和能源强度效应效果明显。Rafaj等(2014)利用分解分析研究了欧洲、NOx和的驱动因素,但发现每种气体的主导因素并不一致。在针对中国的研究中,李荔等(2010)和石广明等(2012)以为例,分别用距离函数和IDA方法考察了其驱动因素及区域差异,主要观点是较高的能源强度推动了排放总量的上升。Fujii等(2013)分析了煤污染强度、终端处理、能源结构、产出效率和生产规模对、粉尘和烟尘三种污染物的贡献度,发现驱动因素在不同污染物之间具有一定的异质性。Guan等(2014)采用SDA法研究了一次源排放的社会经济驱动因素,认为资本形成是影响排放的最主要因素,出口也是影响排放的重要因素。Zhang等(2015)也利用SDA法分解了北京化石能源消耗及大气污染()的变动,发现人口增长是主要的驱动因素。Lyu等(2016)使用IDA方法将一次源和NOx的变动分解为排放因子、能源强度、生产模式、经济增长、人口效应,发现经济增长和能源强度是影响空气污染变动的主要因素。

   从治理策略来看,由于大气污染涉及技术、气候、管理、法律等多方面,有关学者的政策建议各有侧重。比如,基于市场机制研究的学者认为设计合理的交易系统是治理污染物的有效手段(Zhou et al.,2014)。利用分解分析所得的结论,Zhang等(2015)、Lyu等(2016)认为主要的防治措施应该根据驱动因素的正向和负向关系,有针对性地采取抑制或强化措施。李永友和沈坤荣(2008)认为环境治理时首先得树立环保意识,然后借用补助、贷款等手段。为避免国际贸易输入污染,沈利生和唐志(2008)提出改变出口和进口产品的结构是中国当前最可行的方式。马丽梅和张晓(2014)的观点是中国雾霾治理一方面需要注重产业转移导致的溢出效应,同时要通过优质能源的使用以降低污染。魏巍贤和马喜立(2015)利用CGE模型对中国治霾政策组合进行情景分析,得出的结论是将硫排放权交易与硫税两种机制进行组合可以实现大气污染治理目标。石庆玲等(2016)对中国189个城市的实证研究表明,“政治性蓝天”是以政治事件过后更严重的报复性污染为代价的,并提出雾霾治理应以长效的制度安排取代目前的运动式、行政命令式执法。

   近年来,针对大气污染防治的研究已较为丰硕,但仍有进一步完善的空间。目前,分解分析已成为计量方法之外的另一种分析污染变动的主流工具。但从分解的要素来看,学者们更多关注污染物的源头防治因素和过程控制因素,进而将排放的变动分解为结构效应、强度效应、规模效应等,忽略了末端治理对污染物减排的作用。现有的分析思路多只注重单个驱动因素的具体效果如何,也没有认识到末端治理被各级政府和企业普遍采用的客观现实。因此,亟待从源头防治—过程控制—末端治理这一全流程视角对大气污染的驱动因素进行全面分解,并提出面向全流程治理的大气污染综合防治方案。此外,由于数据的可获得性等原因,学者们更多分析驱动因素随时间的变化情况,很少讨论驱动因素的空间变化和地区差异。这不利于落实因地制宜、有针对性的防治措施。

   基于已有研究的不足,本文借鉴Wang等(2016)的思路,聚焦于雾霾及其大气污染物形成的本质根源,从全流程治理的视角对主要大气污染物的驱动因素进行阶段划分。进而运用分解分析方法,从时间、空间两个维度,对长三角地区主要大气污染物的社会经济内在驱动因素进行深入分析,探寻其变动特征和主要作用因素,为治污减霾相关政策的制定和实施提供借鉴。

   二、模型与数据

   (一)基于全流程治理的分解模型

   全流程治理是一种全面、系统的环境污染治理模式,主要包括源头防治、过程控制和末端治理三个方面。源头防治的有效方法是使用清洁的能源和原料,以降低污染物产生的可能;过程控制一般可通过改善生产工艺和技术来提高资源利用效率,从而在生产过程中减少污染;末端治理是指利用污染处理设备处理产生的污染物,使之达到排放标准。降低污染排放强度(杜雯翠,2013)。除末端治理外的源头防治和过程控制也被定义为综合过程治理(Wang et al.,2016)。

   分解分析方法将研究对象的变动拆分成若干个相关因子,进而分析不同因子对研究对象的影响程度(Ang et al.,1998),这为污染治理的全流程分解提供了可能。在已有文献中,SDA和IDA是两种最常见的方法。尽管这两种方法都起源于指数理论,但在分解形式、数据要求、精细化程度等方面存在差异,也有各自的优缺点。根据Su和Ang(2012)、Lenzen(2016)等人的研究,IDA相对于SDA的优势体现在以下两点:一是IDA所使用的特定部门的增值活动指标可以更好地反映实际能效变化;二是IDA更灵活、更易于实现、对数据要求低。IDA的主要类别包括了Laspeyre指数、Divisia指数、Paasche指数、Fisher指数等(Xu & Ang,2013)。通过对残差项、零值处理和整体一致性等方面的比较,LMDI被认为是最理想的方法(Ang,2004),且无须确定基准年,易于使用和解释(Wang et al.,2017)。因此,LMDI在能源、环境等多个研究领域得到了较广泛的应用(Chen & Xu,2010;张伟等,2013;汤维祺、鲁政委,2017)。

   按照Wang等(2016)的思路,本文以全流程治理为指导,通过恒等变形与LMDI相结合,最终得到源头防治、过程控制、末端治理和经济规模四个类别的因素对大气污染变动的影响。式(1)中,P和F分别是大气污染物的排放量和产生量,C是煤炭消费量,E是能源消费总量,是地区工业部门生产总值,Y是地区生产总值。

  

   由式(1)可知,最终大气污染物的排放被分解为6个因素。其中,产业结构(YOY)、煤炭污染强度(FOC)和能源结构(COE)表示的是源头防治阶段的因素;能源消费强度(EOY)表示过程控制阶段的因素;大气污染产生的去除比例(POF)表示末端治理阶段的因素;经济发展(Y)代表规模效应。污染物排放从0时期到T时期的变化可写成如式(2)。表示的是式(1)中6个因素变动导致的综合结果。等式右边的D表示因素各自的变动情况,D>1,表明该因素在[0,T]内导致了大气污染物的增加,是正向驱动因素;D<1,则相反;D=1则说明未产生影响。

  

   (二)样本地区和数据来源

   长三角地区是我国人口集聚度最高、城市化发展最快、经济活力最强的区域,同时也是雾霾等大气污染的高发区和重灾区(李欣等,2017)。因此,本文选择长三角地区作为研究对象,具体包括上海、南京、无锡、常州、苏州、南通、盐城、扬州、镇江、泰州、杭州、宁波、嘉兴、湖州、绍兴、金华、舟山、台州、合肥、芜湖、马鞍山、铜陵、安庆、滁州、池州、宣城共计26个城市。

   与大气污染相关的污染物主要包括二氧化硫()、氮氧化物(NOx)和颗粒物(等)三种。在已有研究中,是常用的污染指标(刘满芝等,2015;白永亮等,2016;刘华军、裴延峰,2017)。考虑到多种污染物的同宗同源性和2005年以来统计数据的完整性(每年数据均为年末数据),本文选取作为污染物的代理指标。研究对象和指标涵盖“十一五”(2006-2010)和“十二五”(2011-2015)两个时期,共10年。排放量和产生量数据源于《中国城市统计年鉴》,工业能源和煤炭消费量、GDP和工业产值来源于各城市统计年鉴。其中,城市GDP和工业生产总值换算成2005年不变价格。

   三、实证结果和讨论

   (一)区域层面的分解结果和讨论

   图1给出了长三角地区各城市在“十一五”和“十二五”时期的排放量变化绝对量和变化率。

  

   图1 长三角地区排放量变化趋势

   由图1可知,“十一五”时期,长三角地区排放量整体呈减少态势,共减少40.28万吨。这得益于“十一五”时期国家提出的主要污染物总量减排的战略决策,排放量作为约束性指标,要求“十一五”时期总排放量削减10%。这个目标使得各地政府在经济发展中给予了环境保护更多重视,污染物减排成为各地政府推进环境保护的重要抓手(李名升等,2011)。绝对减排量最多的5个城市是上海、宁波、台州、无锡、南通,其中台州和宁波还是相对减排量最高的城市,下降幅度分别为68.86%和47.66%;尽管大部分城市在“十一五”都实现了的减排,仍有5个城市排放不降反升。“十二五”时期,依然是重点减排对象。长三角地区减少排放量整体比“十一五”表现更优,共减少60.36万吨。上海、无锡两市在“十一五”和“十二五”减排量均排在前5位,体现了其对减排的高度重视;苏州也由正增长实现了大幅度的负增长,取得了明显的治理效果。

   为了解长三角地区整体上排放变动的内在动因,利用式(2)和式(3),得出了源头防治、过程控制、末端治理和经济规模各类因素在“十一五”和“十二五”两个时期分别带来的影响(见图2)。

  

   图2 长三角地区排放变动的驱动因素

   可以发现,尽管“十二五”时期经济规模的正向驱动程度有所减小,其始终是污染排放最核心的动力。这是由于2005年以来,中国工业总产值年均增长速度接近20%,迅猛扩张的工业规模导致了大量的排放(李名升等,2011)。长三角地区的控制以末端治理为主,相应的指数在“十一五”和“十二五”分别为0.57和0.61,是抑制排放最重要的负向驱动因素。过程控制因素越来越好地发挥了抑制排放的作用(“十二五”时期D=0.68),但源头防治因素对治理的作用却非常有限,甚至增加了的排放。上述结果说明,长三角地区的控制没有摆脱“先污染,后治理”的末端治理模式。尽管过程控制正在逐渐体现出它的效果,但仍然没有挖掘和发挥出源头防治的作用。

   在了解长三角地区“十一五”和“十二五”整体变动的基础上,进一步具体分析历年各驱动因素的变化,如表1所示。

  

   经济规模在样本时期一直给长三角地区排放增长带来正向效应,但其影响效应在“十二五”时期逐步降低,排放与经济发展开始逐步实现脱钩,经济发展对环境造成的压力趋于减弱。末端治理因素对排放增长的负向效应呈波动性减弱,但仍是抑制排放的主要驱动因素。过程控制效应对减少排放有一定贡献,在2010及2013年甚至超过了末端治理的作用。源头防治因素对减排的积极作用没有得到充分发挥,相应的指数D始终围绕1波动。这些现象与背后的经济发展、宏观政策以及相关规制密切相关。为了改善环境质量,中央政府设定了一系列目标,也相应采取了很多具体的手段。比如,清洁能源消费占总消费的比重到2020年要提高到15%;产业结构要逐步走向低碳化和绿色化;要加大污染治理相关技术的投资和研发。但从各地方政府和企业的实践来看,不论是结构调整、技术进步,还是生产方式改变都需要经历较长的时间,“先污染,后治理”的末端治理模式依然是一些政府进行环境管控的主要手段。尽管政府已意识到源头防治是控制的根本方式,但要真正落实既需要较长的时间,也可能会冲击现行的经济发展模式和污染治理模式。

   源头防治是长三角地区治理的短板,为此利用式(4)进一步识别源头防治效果不理想的主要原因。影响源头防治的因素可以分解为产业结构、能源结构和煤炭污染强度,图3给出了这三个因素对排放的影响情况。

  

   图3 长三角地区源头防治分解结果

   长三角地区能源密集型工业占经济比重过高,产业结构尽管没有对排放产生显著影响,但在“十一五”时期的2006、2007、2010年都增加了的排放。“十二五”时期情况有了改善,但长三角地区还需继续推进产业结构的优化升级,通过结构调整降低的排放。能源结构抑制或带动排放的年份约各占一半,有待进一步优化。煤炭污染强度对排放的影响十分显著,如2008年和2011年煤炭污染强度就对排放分别起到了大幅增加和抑制的作用。

   (二)城市层面的分解结果和讨论

   国家和区域层面治污减霾目标的达成都需要在城市这一更微观的主体得以落实。尽管长三角的经济发展和污染状态有典型的区域特征,但也涉及江苏、浙江、安徽、上海“三省一市”,与污染治理相关的政策环境、产业结构、资源禀赋等都有一定差异,落实全流程治理模式的态度和力度也不尽相同。为此,进一步考察26个城市治理的表现。

   从26个城市排放变动的驱动因素的分解结果来看(图4),经济规模是导致排放增加的最主要的因素,过程控制和末端治理基本都发挥了减少排放的作用,但源头防治的减排效果并不理想。

  

   图4 长三角地区排放变动的驱动因素

   源头防治方面,盐城、泰州、安庆、池州等13个城市尚未充分发挥此阶段的作用,成为其污染治理的短板。过程控制方面,除舟山外,其余25个城市的过程控制均有效抑制了排放量的增长。末端治理方面,除南京、宁波、金华、台州和宣城在该阶段效果不太理想,其余21个城市均对的排放发挥了抑制作用。上海、苏州、无锡、常州等9个城市在全流程治理三个阶段的指数D均小于1,对排放的减少产生了积极作用。继续对源头防治进行分解,分解结果如图5所示。

  

   图5 长三角地区源头防治分解结果

   长三角26个城市产业结构的D值围绕1小幅波动。尽管中央和地方政府出台了很多政策。期望通过产业结构的调整实现对大气污染的有效控制,但产业结构的变动是一个缓慢长期的过程,其减排功效尚未得到充分发挥。煤炭污染强度D值大于1的城市有17个,表明煤炭消费对排放的贡献很高。特别是池州和安庆的D值远高于其他城市,未来需要在利用清洁能源、降低煤炭消费比重等方面多下功夫。能源结构方面,7个城市的D值大于1。其中南京比较特殊,其能源结构远高于其他城市,反映了对煤炭的高依赖程度。

   (三)长三角地区各城市治理模式的差异

   为了对26个城市治理模式的空间差异性进行分析,以长三角地区综合过程治理(源头防治和过程控制的综合效应)和末端治理两个维度的平均水平为基准,图6将26个城市划分为治理领先型、过程依赖型、末端依赖型、治理落后型四种类型(Wang et al.,2016)。

  

   图6 长三角地区治理模式的空间差异

   类型一是综合过程治理和末端治理均优于平均水平的城市,共有9个,称之为“治理领先型城市”。这些城市污染排放的全流程治理模式发展较好,是其他城市的标杆。上海、无锡、台州、盐城、南通、扬州、镇江、泰州、安庆是属于类型一的城市。需要指出的是,安庆、盐城和泰州在源头防治阶段仍然具有进一步降低污染排放的潜力。类型二是综合过程治理优于平均水平但末端治理需要提高的城市,称之为“过程依赖型城市”。属于该类型的城市有8个,包括南京、常州、合肥、金华、嘉兴、杭州、绍兴、湖州。这些城市在发挥源头防治和过程控制因素作用的同时应进一步加强末端治理力度,使得末端治理的功效得到发挥。类型三是综合过程治理落后于平均水平,对大气污染物的控制主要依靠末端治理的城市,称之为“末端依赖型城市”,共有5个。苏州、铜陵、池州、舟山和宁波属于该类型。这些城市需要转变污染治理理念,致力于产业结构的调整、清洁能源的利用和技术的革新,加强污染治理模式的过程化和多元化。类型四是综合过程治理和末端治理均落后于平均水平的城市,称之为“治理落后型城市”,包括了滁州、宣城、芜湖和马鞍山。这四个城市要重视大气污染问题的严峻形势,从源头、过程和终端全方位加强大气污染治理力度,提升污染治理水平。

   从四种类型城市的省域分布来看,属于治理领先型的9个城市中江苏占了6个,且没有属于治理落后型的城市。江苏的全流程治理模式总体上发展较好,但需要重点推动南京、常州、苏州三市治理模式的转变。属于治理落后型的城市均来自于安徽,且该省仅安庆位列治理领先型城市。安徽应进一步重视大气污染问题,以安庆为标杆,加快发展全流程治理模式,全面提升治污能力。浙江的8个城市中有5个属于过程依赖型,反映了该省以源头防治和过程控制为主导的治理模式。

   不少学者也利用LMDI方法对部门和省区的节能减排问题进行了分析。刘满芝等(2015)研究了2000至2010年间全国和30个省份的主要大气污染物排放量,发现经济规模正向效应最大,末端治理措施负向效应最大。张平淡等(2012)也发现我国减排主要依赖于末端治理和过程控制,源头防治并没有得到优化。说明“先污染,后治理”的末端治理模式并非长三角特例。此外,虽有学者通过构建四象限法评价地区差异(刘满芝等,2015;刁贝娣等,2016),但他们多以排放量为划分依据。本文将四象限法与LMDI方法结合,以治理模式为划分依据,从而可以制定针对性的治理举措。

   四、结论和政策启示

   对大气污染的有效防治既需要末端治理,也需要从生产源头和生产过程着手。在全流程治理视角下,本文利用LMDI方法将大气污染排放的驱动因素分解为源头防治因素、过程控制因素、末端治理因素和经济规模因素。进而以长三角地区为例,对其的全流程治理状况进行了实证分析,得到结论如下:

   第一,整体上,长三角地区排放量得到了较好的控制,特别是“十二五”时期,减排效果较为明显。但各城市减排情况仍具有很大差异,只有极少数城市两个时期减排效果持续表现优良,其他城市的减排效果存在波动性和反复性,治理仍是一项艰巨的工作。各城市需要反思自身治理模式,优化大气污染治理措施。

   第二,源头防治的潜力未能得到充分挖掘,末端治理仍是长三角地区控制的主要手段,“先污染,后治理”的模式并未得到根本扭转。综合过程治理尤其是源头防治阶段发展缓慢,成为环境治理过程中的短板,其中煤炭污染强度是该阶段的核心因素。长三角地区能源密集型工业比重过高,产业结构以工业为主、能源消费以煤炭为主的特征没有得到根本性的改变。

   第三,不同城市对的治理有不同侧重,可区分为治理领先型、过程依赖型、末端依赖型和治理落后型四种类别。通过分类可知,大部分城市的全流程治理模式发展存在问题,12个城市末端治理阶段落后于平均水平,9个城市的综合过程治理落后于平均水平。上海以及江苏省末端治理和综合过程治理均表现良好,安徽省综合过程治理和末端治理均需要提高,浙江省主要依靠综合过程治理而末端治理落后。在源头防治方面,煤炭污染强度成为各市该阶段治理效果差异的主要来源,也是治理效果相对落后城市挖掘潜力的主要方向。

   上述结论的政策启示主要包括以下两个方面:

   第一,转变治理模式,改变依赖末端治理控制污染排放的惯性思维,从源头和生产过程减少污染物的产生,实现绿色生产。源头防治阶段是治理过程中的短板,也是潜力最大的环节,因此需要格外注重该环节的发展,从产业结构、能源结构,尤其是煤炭污染强度等方面进行调整,使该阶段的功效得以有效发挥。对于煤炭污染强度高于平均水平的城市,可从短期和长期两个方面加以改善。短期来看,需要改进落后的煤炭利用方式,稳定煤炭质量。对于发电和工业锅炉燃料等煤炭污染排放的主要来源应予以重点关注,并施行煤炭质量管理办法对劣质煤进行严格控制,加大优质煤的使用。长期来看,需要减少煤炭等污染型能源的消费,重视发展清洁能源,用石油、天然气和以风能、太阳能为代表的新能源来弥补减煤降污所引起的能源消费缺口。

   第二,在联防共治的区域合作机制下,根据城市所属类型制定针对性的治理举措,因地制宜地发展全流程治理模式。具体可按照以下几个步骤实施:首先,制定产业结构调整的全局规划,形成长三角产业布局的合理梯度。通过对污染型产业的区位调度及合理配置,避免污染行业的过分集中。其次,制定有针对性的区域减排政策。对于综合过程治理优于平均水平但末端治理需要提高的地区,应加强对电力、冶金、化工业等主要耗煤行业治理的督查,平衡城市化进程速度与配套环境基础设施建设进程,提高末端治理水平;对于末端治理优于平均水平但综合过程治理落后的地区,应转变污染治理理念,调整能源结构,大力推进清洁能源的使用,调整产业结构,淘汰落后产能。最后,完善区域合作机制。积极引导长三角地区跨市的环境合作,在基础设施建设以及具有公共属性的产业上逐渐打破地方分割,协调经济增长与环境污染的矛盾。

   感谢刘晨楠和邹媛鹤两位同学在数据收集、整理等方面的贡献。感谢匿名审稿专家的修改建议。文责自负。

参考文献

[1]白永亮,郭珊,孙涵.大气污染的空间关联与区域间防控协作——基于全国288个地市工业污染数据的空间统计分析[J].中国地质大学学报(社会科学版),2016,16(3):63-72+171.

[2]刁贝娣,曾克峰,苏攀达,丁镭,刘超.中国工业氮氧化物排放的时空分布特征及驱动因素分析[J].资源科学,2016,38(9):1768-1779.

[3]杜雯翠.中国工业COD全过程管理效果检验——来自LMDI的分解结果[J].中国软科学,2013,(7):77-85.

[4]冯少荣,冯康巍.基于统计分析方法的雾霾影响因素及治理措施[J].厦门大学学报(自然科学版),2015,54(1):114-121.

[5]康雨.贸易开放程度对雾霾的影响分析——基于中国省级面板数据的空间计量研究[J].经济科学,2016,(1):114-125.

[6]冷艳丽,冼国明,杜思正.外商直接投资与雾霾污染——基于中国省际面板数据的实证分析[J].国际贸易问题,2015,(12):74-84.

[7]李荔,毕军,杨金田,严刚.我国二氧化硫排放强度地区差异分解分析[J].中国人口·资源与环境,2010,20(S1):34-38.

[8]李名升,张建辉,罗海江,林兰钰,李茜,张殷俊.中国二氧化硫减排分析及减排潜力[J].地理科学,2011,29(9):1065-1071.

[9]李卫东,黄霞.北京市雾霾的社会经济影响因素实证研究[J].首都经济贸易大学学报,2018,20(4):58-68.

[10]李晓燕.京津冀地区雾霾影响因素实证分析[J].生态经济,2016,32(3):144-150.

[11]李欣,曹建华,孙星.空间视角下城市化对雾霾污染的影响分析——以长三角区域为例[J].环境经济研究,2017,2(2):81-92.

[12]李永友,沈坤荣.我国污染控制政策的减排效果——基于省际工业污染数据的实证分析[J].管理世界,2008,(7):7-11.

[13]李云燕,殷晨曦.京津冀地区减排实效与影响因素的门限效应[J].中国环境科学,2017,37(4):1223-1230.

[14]刘华军,裴延峰.我国雾霾污染的环境库兹涅茨曲线检验[J].统计研究,2017,34(3):45-54.

[15]刘满芝,杨继贤,马丁,丁志华.基于LMDI模型的中国主要大气污染物的空间差异及其影响因素分析[J].资源科学,2015,37(2):333-341.

[16]马丽梅,张晓.中国雾霾污染的空间效应及经济能源结构影响[J].中国工业经济,2014,(4):19-31.

[17]潘本锋,汪巍,李亮,李健军,王瑞斌.我国大中型城市秋冬季节雾霾天气污染特征与成因分析[J].环境与可持续发展,2013,38(1):33-36.

[18]邵帅,李欣,曹建华,杨莉莉.中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J].经济研究,2016,51(9):73-88.

[19]沈利生,唐志.对外贸易对我国污染排放的影响——以二氧化硫排放为例[J].管理世界,2008,(6):21-29.

[20]石广明,王金南,毕军,周全.中国工业二氧化硫排放变化指标分解研究[J].中国环境科学,2012,32(1):56-61.

[21]石庆玲,郭峰,陈诗一.雾霾治理中的“政治性蓝天”——来自中国地方“两会”的证据[J].中国工业经济,2016,(5):40-56.

[22]汤维祺,鲁政委.我国“十三五”碳排放路径预测:结构与趋势[J].环境经济研究,2017,2(3):36-48.

[23]魏巍贤,马喜立.能源结构调整与雾霾治理的最优政策选择[J].中国人口·资源与环境,2015,25(7):6-14.

[24]严雅雪.碳排放与雾霾污染的协同关系分析[J].环境经济研究,2017,2(2):52-63.

[25]张平淡,朱松,朱艳春.环保投资对中国减排的影响——基于LMDI的分解结果[J].经济理论与经济管理,2012,(7):84-94.

[26]张人禾,李强,张若楠.2013年1月中国东部持续性强雾霾天气产生的气象条件分析[J].中国科学:地球科学,2014,44(1):27-36.

[27]张伟,张金锁,邹绍辉,许建.基于LMDI的陕西省能源消费碳排放因素分解研究[J].干旱区资源与环境,2013,27(9):26-31.

[28]Ang,B.W.and F.Q.Zhang.A Survey of Index Decomposition Analysis in Energy and Environmental Studies[J].Energy,2000,25(12):1149-1176.

[29]Ang,B.W.and N.Liu.Energy Decomposition Analysis:IEA Model Versus Other Methods[J].Energy Policy,2007,35(3):1426-1432.

[30]Ang,B.W.Decomposition Analysis for Policy-making in Energy:Which is the Preferred Method[J].Energy Policy,2004,32(9):1131-1139.

[31]Ang,B.W.,F.Q.Zhang,and K.H.Choi.Factorizing Changes in Energy and Environmental Indicators through Decomposition[J].Energy,1998,23(6):489-495.

[32]Ang,B.W.The LMDI Approach to Decomposition Analysis:A Practical Guide[J].Energy Policy,2005,33(7):867-871.

[33]Bruvoll,A.and H.Medin.Factors behind the Environmental Kuznets Curve:A Decomposition of the Changes in Air Pollution[J].Environmental and Resource Economies,2003,24(1):27-48.

[34]Chen,W.and R.Xu.Clean Coal Technology Development in China[J].Energy Policy,2010,38(5):2123-2130.

[35]De Bruyn,S.M.Explaining the Environmental Kuznets Curve:Structural Change and International Agreements in Reducing Sulphur Emissions[J].Environment and Development Economics,1997,2(4):485-503.

[36]Fujii,H.,S.Managi,and S.Kaneko.Decomposition Analysis of Air Pollution Abatement in China:Empirical Study for Ten Industrial Sectors from 1998 to 2009[J].Journal of Cleaner Production,2013,59(18):22-31.

[37]Guan,D.,X.Su,Q.Zhang,G.P.Peters,Z.Liu,Y.Lei,and K.He.The Socioeconomic Drivers of China's Primary Emissions[J].Environmental Research Letters,2014,9(2):024010.

[38]Lenzen,M.Structural Analyses of Energy Use and Carbon Emission:An Overview[J].Economic Systems Research,2016,28(2):119-132.

[39]Liu,L.C.,Y.Fan,G.Wu and Y.M.Wei.Using LMDI Method to Analyze the Change of China's Industrial Emissions from Final Fuel Use:An Empirical Analysis[J].Energy Policy,2007,35(11):5892-5900.

[40] Lyu,W.,Y.Li,D.Guan,H.Zhao,Q.Zhang,and Z.Liu.Driving Forces of Chinese Primary Air Pollution Emissions:An Index Decomposition Analysis[J].Journal of Cleaner Production,2016,133:136-144.

[41]Rafaj,P.,M.Amann,J.Siri,and H.Wuester.Changes in European Greenhouse Gas and Air Pollutant Emissions 1960-2010:Decomposition of Determining Factors[J].Climatic Change,2014,124(3):477-504.

[42]Selden,T.M.,A.S.Forrest,and J.E.Lockhart.Analyzing the Reductions in US Air Pollution Emissions:1970 to 1990[J].Land Economics,1999,75(1):1-21.

[43]Su,B.and B.W.Ang.Structural Decomposition Analysis Applied to Energy and Emissions:Some Methodological Developments[J].Energy Economics,2012,34(1):177-188.

[44]Wang,H.,B.W.Ang,and B.Su.Assessing Drivers of Economy-wide Energy Use and Emissions:IDA Versus SDA[J].Energy Policy,2017,107:585-599.

[45]Wang,Q.,Y.Wang,P.Zhou,and H.Wei.Whole Process Decomposition of Energy-related ,in Jiangsu Province,China[J].Applied Energy,2016,194:679-687.

[46]Xu,X.Y.and B.W.Ang.Index Decomposition Analysis Applied to Emission Studies[J].Ecological Economics,2013,93(5):313-329.

[47]Zhang,Y.,H.Wang,S.Liang,M.Xn,Q.Zhang,H.Zhao,and J.Bi.A Dual Strategy for Controlling Energy Consumption and Air Pollution in China's Metropolis of Beijing[J].Energy,2015,81:294-303.

推荐10篇