重新审视驱动因素在制定碳减排策略中的作用：来自中国中央供暖行业的证据

《Journal of Cleaner Production》：Rethinking the role of driving factors in developing carbon mitigation strategies: Evidence from the central heating sector in China

　　黄冠英|岳洪哲|水斌|李德志|郭正宇
中国香港特别行政区香港城市大学建筑与土木工程系

**摘要**
碳排放的驱动因素对于制定有效的缓解策略至关重要。然而，以往的研究主要集中在这些因素的贡献值上，即缓解效率，而忽略了它们的绝对值，这些绝对值反映了未来缓解的实际范围。这种忽视限制了所提出策略的实用性。为了解决这一差距，本研究开发了一个综合框架，结合了驱动因素的效率和潜力，以识别不同城市之间的独特碳缓解模式。对142个中国城市的集中供暖系统（CECH）碳排放的实证分析表明：（1）2006年至2020年间，超过90%的城市人均CECH显著增加，而只有少数西部城市出现下降；（2）通过应用对数平均分解指数（LMDI）和熵权重方法，确定了导致城市间差异的关键因素，并阐明了不同阶段CECH的驱动机制；（3）基于驱动因素的贡献值和绝对值进行二维层次聚类，确定了城市层面的三种独特碳缓解模式。最后，讨论了每种模式的差异化缓解策略。因此，本研究的主要贡献在于将碳缓解分析从单纯关注历史效率转变为结合效率和未来潜力的二维视角，为政策制定者提供了基于证据的工具，以避免一刀切策略的陷阱，并制定有针对性的脱碳路径。

**引言**
随着全球变暖加剧环境和社会可持续性挑战，碳缓解已成为世界几乎所有国家关注的核心问题（Xu等人，2024a）。自从Ehrlich和Holdren（1971年）提出影响=人口×富裕度×技术（IPAT）公式以来，已经开发了一系列模型来研究碳排放的驱动因素，包括Kaya公式（Kaya，1990年）、对数平均分解指数（LMDI）分解方法（Ang等人，1998年）、基于人口、富裕度和技术的随机影响模型（STIRPAT）（York等人，2003年），以及机器学习算法的最新进展。这些方法使研究人员能够从不同角度识别碳排放的关键驱动因素，从而为制定碳缓解策略提供理论支持。它们的应用范围涵盖多个领域，包括建筑、交通（Wan等人，2025年）、工业（Song和Xu，2025年）和农业（Wang等人，2024年）。然而，最近的研究指出，仅依赖分解结果作为缓解策略的基础存在局限性（Shui等人，2024a）。例如，虽然经济增长通常被认为是碳排放增加的主要驱动因素，但在许多城市，特别是那些经济发展与排放紧密相关的发展中国家，限制增长以实现缓解目标可能会带来严重的社会风险。这表明，在制定碳缓解策略时，不能仅仅关注驱动因素的贡献值，还必须考虑它们的绝对值。例如，某个因素在分解分析中可能对减排有显著贡献，但如果其绝对值已经远低于其他城市，那么该因素在该城市的实际缓解潜力可能有限。因此，碳缓解策略的研究应该重新考虑驱动因素的作用，结合贡献值和绝对值来制定可实施的策略。

在城市层面，特定行业的碳排放驱动因素往往表现出明显的异质性。中国的集中供暖系统就是一个特别显著的例子，它占建筑行业碳排放的45%，并且由于城市化进程的加快而经历了快速增长（Zhang等人，2023年）。2019年，集中供暖系统的碳排放量达到了5.9亿吨二氧化碳（MtCO2）（Xu等人，2024b），这一规模超过了某些发达国家的总排放量，包括澳大利亚（3.86 MtCO2）、英国（3.40 MtCO2）、意大利（3.08 MtCO2）和法国（2.94 MtCO2）（Enerdata，2025年）。中国北方的集中供暖系统覆盖了广阔的地理区域，碳排放水平不仅受气候条件直接影响，还受到能源效率和城市化程度等多种因素的影响（Li等人，2025年）。为了避免一刀切政策可能导致的效率损失，有必要在城市层面进行更细致的分析。特别是，本研究的主要实际动机源于政策制定者面临的紧迫困境，他们在没有清楚了解不同城市间缓解潜力差异的情况下，难以设计有效的脱碳路径。因此，明确不同城市CECH的关键驱动因素并识别其异质特征对于制定高效和有针对性的碳缓解策略至关重要。据此，本研究重点关注142个拥有集中供暖系统的中国城市，结合驱动因素的贡献值和绝对值来描述它们的CECH特征，从而为不同城市制定脱碳路径。

能源消耗和CECH的驱动因素长期以来一直是学术界的关注焦点，如表1所示。研究方法大致可以分为两类：计量经济模型和分解分析。计量经济模型，如协整分析、回归分析和STIRPAT模型，通过回归观测数据并检验统计假设来识别和量化各种驱动因素对碳排放的影响。例如，Lin和Lin（2017）使用协整方法研究了集中供暖能源消耗与驱动因素（如城市人口密度、供暖供应面积和燃料价格）之间的关系，其中人口密度和供应面积决定了供暖需求的空间规模和潜在传输损失，而燃料价格影响终端能源消耗行为。Liu等人（2021）采用广义最小二乘法从供应链角度分析了驱动因素对CECH的贡献，阐明了能源结构如何决定热源的碳排放强度以及不同热传输载体如何影响分配过程中的热效率。Zhang等人（2023）应用扩展的STIRPAT模型研究了城市化对城市层面CECH的溢出效应，表明城市化扩大了建成区并刺激了基础设施投资，从而系统性地提高了总供暖需求。除了传统的计量经济模型外，最近还采用了先进的空间和机器学习方法，如地理加权回归和可解释人工智能，来探索各种驱动因素的空间异质性、影响方向和影响强度（Feng等人，2025；Wang等人，2025）。然而，计量经济模型不可避免地依赖于统计假设，分析中会留下残差。相比之下，分解分析提供了一个无残差的框架，将碳排放变化完全归因于驱动因素。其结果以贡献值的形式呈现，为各地区和行业的碳缓解策略制定提供了参考。在分解方法中，对数平均分解指数（LMDI）模型因其简单的数学结构和与复杂指标系统的兼容性而被最广泛使用。例如，Holzmann等人（2013）和Wang等人（2022）分别使用LMDI模型分析了奥地利和中国的供暖行业能源消耗的驱动因素，揭示了诸如供暖度日（HDD）如何因气候条件严格限制基线热需求，以及人均供暖面积如何作为放大总体排放的尺度因素。

然而，仅基于LMDI结果得出的脱碳策略往往无法完全捕捉区域特征，这促使了进一步的方法论发展。Ang等人（2016）提出了空间LMDI方法，用于识别给定时期内的区域间和区域内CECH差异的驱动因素。You等人（2021）根据能源结构和供暖强度将中国拥有集中供暖系统的省份分为四组，然后采用空间LMDI来解释省份间的CECH差异，强调高供暖强度通常反映建筑能源效率低，从而直接增加了供暖需求。其他学者将LMDI与其他方法结合使用，以探索区域差异的原因。例如，Zhang等人（2020b）将LMDI与Tapio脱钩指数结合使用，评估不同驱动因素与GDP的脱钩状况，而You等人（2023）将Theil指数与Kaya公式结合使用，进一步分析了CECH区域差异的驱动因素。然而，大多数这些研究仍然仅专注于识别驱动因素，很少有研究关注它们的绝对值。例外的是Zhang等人（2020a）的工作，他们基于能源结构和供暖强度等因素的绝对值水平使用k均值聚类对城市进行分类，从而描述了城市类型并制定了定制的CECH缓解策略。

以往的研究在研究能源消耗和CECH的驱动因素方面取得了实质性进展，但仍存在几个关键的知识空白。大多数现有研究关注驱动因素的贡献值或影响敏感性，即缓解效率，而忽略了反映缓解潜力的绝对值。在这种情况下，如果关键因素的绝对值已经非常小，那么所识别的因素可能缺乏实际的缓解潜力，从而限制了所提出策略的实用性。

出于弥合数学分解结果与现实世界政策可行性之间差距的理论必要性，本研究开发了一个综合框架，结合了驱动因素的贡献值和绝对值，旨在识别不同城市之间的独特碳缓解模式。以142个配备集中供暖系统的中国城市作为研究样本，本研究描述了不同城市背景下CECH的特征，并制定了可行的碳缓解策略。因此，本研究的具体目标明确如下：（1）根据驱动因素的差异贡献，识别导致城市间CECH差异的关键驱动因素；（2）通过结合关键驱动因素的缓解效率和潜力，揭示城市的异质碳缓解模式。

**方法论和数据**
本研究提出了一种综合方法论，如图1所示。首先，使用碳排放系数方法计算了142个拥有集中供暖系统的中国城市的人均CECH（PC）。其次，应用扩展的Kaya公式和LMDI方法将每个城市的PC分解为其驱动因素，并使用熵权重方法识别PC城市间差异的关键因素。第三，使用二维层次聚类...

**2006年至2020年间，142个城市的PC变化**
基于方程（1）、（2）、（3）、（4）、（5）及其在不同时期的变化，计算了这些城市的PC变化，结果如图2（a）–（d）所示。可以看出，在此期间，128个城市（90.14%）的PC显著增加，而只有14个城市（9.86%）呈现下降趋势。PC下降的城市主要位于西部地区，其中乌鲁木齐、银川和和田的降幅最大。

**碳缓解路径的讨论**
本节将进一步讨论第3.3.3节列出的三种碳缓解模式中城市的集中供暖系统的碳缓解路径。

**主要发现**
本研究提出了一个综合框架，结合了驱动因素的贡献值和绝对值，以平衡不同驱动因素的碳缓解效率和潜力。通过这种综合方法，本研究克服了传统分解模型的关键局限性，这些模型虽然数学上合理，但在实践中往往不可行。这种两个维度的新颖整合...

**作者贡献声明**
黄冠英：撰写——原始草案、方法论、数据管理、概念化。
岳洪哲：项目管理、调查、数据管理、概念化。
水斌：方法论、概念化。
李德志：项目管理、资金获取。郭正宇：可视化、调查与数据管理。
利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系，这些因素可能会影响本文所述的研究工作。
致谢
本研究得到了江苏省碳达峰与碳中和技术创新资助项目（项目编号：BE2022606）的支持。