全 文 ：中国生态农业学报 2015年 11月 第 23卷 第 11期
Chinese Journal of Eco-Agriculture, Nov. 2015, 23(11): 14451454


* 四川省哲学社会科学重大项目(SC14ZD09)、四川省科技厅软科学基金项目(2015ZR0216)、2015年成都哲学社会科学规划项目(2015R17)
和四川省社会科学高水平团队(四川农村资源市场化研究)建设项目资助
戴小文, 主要研究方向为城镇化、低碳经济与农业经济问题。E-mail: daixiaowen@yeah.net
收稿日期: 20150429 接受日期: 20150817
* This study was supported by the Major Project of Philosophy and Social Sciences of Sichuan Province (SC14ZD09), the Soft Science Fund of
Bureau of Science and Technology of Sichuan Province (2015ZR0216), the Philosophy and Social Science Planning Project of Sichuan
Province (2015R17) and the Project for Excellent Research Team of Social Science Research of Sichuan Province (Research of Marketing of
Rural Resources of Sichuan Province).
Corresponding author, DAI Xiaowen, E-mail: daixiaowen@yeah.net
Received Apr. 29, 2015; accepted Aug. 17, 2015
http://www.ecoagri.ac.cn
DOI: 10.13930/j.cnki.cjea.150500
中国农业能源消耗碳排放变化驱动因素及其贡献研究*
——基于 Kaya恒等扩展与 LMDI指数分解方法
戴小文1,2,3 何艳秋1 钟秋波4
(1. 四川农业大学管理学院 成都 611130; 2. 四川省农村发展研究中心 成都 611130;
3. 四川农业大学农林经济管理博士后流动站 雅安 625014; 4. 四川师范大学社会科学学报编辑部 成都 610066)
摘 要 农业低碳化发展方式是农业现代化背景下农业可持续发展的有效实现途径。判断农业碳排放影响因
素的驱动力、驱动方向等对有的放矢地制定低成本、高效率低碳农业发展策略与措施意义重大。在前人研究
的基础上, 为探讨常规因素之外还有哪些其他因素对农业碳排放有所影响, 本研究以 Kaya 恒等式为基础, 利
用 Kaya恒等式的数学性质将中国农业碳排放的影响因素分解为一般技术因素、农业低碳技术因素、农村生活
水平因素、间接城镇化因素以及人口规模因素等 5 个因素, 并利用 LMDI 指数分解方法对这些因素进行了驱
动强度与贡献率的分析。研究发现: 农村生活水平提高是促成农业碳排放的最主要因素; 一般技术因素与农业
低碳技术因素都负向地驱动农业碳排放, 相比较而言, 农业低碳技术变动比一般技术变动的碳排放驱动力更
为强劲; 总人口变动因素对农业碳排放呈现出正向驱动力, 但无论从整个长跨度区间还是细分区间来看, 其
正向驱动力都不强; 由扩展的Kaya恒等式得出的间接城镇化指标与一般城镇化指标之间关于 50%的水平在坐
标系中对称, 经转换与修正发现城镇化水平对农业碳排放表现出温和的正向驱动力。1990—2013 年中国总的
农业碳排放中一般技术因素贡献为25.85%, 农业低碳技术因素贡献率为166.55%, 农村生活水平因素贡献
率为 220.65%, 城镇化水平贡献率为 57.63%, 人口规模因素的贡献率则为 14.12%。文章建议在发展农业现代
化过程中, 通过发展通用和低碳农业技术, 合理有序推进城镇化进程以及营造低碳发展的社会氛围等方面创
造更适宜的环境, 以达到农业低碳化发展与可持续发展目标。
关键词 中国 农业碳排放 驱动因素 Kaya恒等式 LMDI分解
中图分类号: X322 文献标识码: A 文章编号: 1671-3990(2015)11-1445-10
Driving factors and their contributions to agricultural CO2 emission due to
energy consumption in China: Based on an expended Kaya identity and
LMDI decomposition method*
DAI Xiaowen1,2,3, HE Yanqiu1, ZHONG Qiubo4
(1. College of Management, Sichuan Agricultural University, Chengdu 611130, China; 2. Sichuan Center for Rural Development
Research, Chengdu 611130, China; 3. Postdoctoral Research Station of Agricultural Economy and Management, Sichuan Agricultural
University, Chengdu 625014, China; 4. Editorial Department of Social Science Journal, Sichuan Normal University, Chengdu
610066, China)
Abstract Low carbon development pattern is an effective way to achieve sustainable development of agricultural modernization.
Revealing driving forces, driving directions and contributions of the factors which affect agricultural CO2 emission could help
1446 中国生态农业学报 2015 第 23卷


http://www.ecoagri.ac.cn
us to develop low-cost and high-efficiency modern agricultural development strategies, and to generate accurate measurements.
By using the expanded Kaya identity mathematical properties, we decomposed the driving factors of agricultural CO2 emission
in China into general technological factor, agricultural low-carbon technology factor, rural affluence factor, indirect
urbanization factor and total population factor. Based on the factorization, we then used the LMDI exponential decomposition
method to analyze the driving strength and contribution rate of the five factors of China agriculture CO2 emission. The data
used in the study was from Yearbook of China and Agricultural Yearbook of China from 1990 to 2013, and Compilation
Statistics of 60 Years of New China. The rise of living standards in rural areas was the main factor driving CO2 emission due to
energy consumption of agriculture. General technology and low-carbon agricultural technology were two important factors
negatively driving CO2 emission of agriculture. The driving force of change of low-carbon agricultural technology for CO2
emission of agriculture was more powerful than that of development of general agricultural technology. Also change in total
population appeared to positively influence CO2 emission in the agriculture, though the driving force of the total population
change was weak irrespective of the calculated method used — data for whole observation period or data for specific segments
of the observation period. According to the extended Kaya identity, indirect urbanization ratio and normal urbanization rate
were symmetric at 50% in terms of coordinate system. Through conversion and revising, change in urbanization ratio was a
moderately positive driving factor of CO2 emission in the agriculture. From 1990 to 2013, general technology contributed
–25.85%, agricultural low-carbon technology contributed –166.55%, rising living standard contributed 220.65%, urbanization
ratio contributed 57.63% and total population contributed 14.12% to total agricultural CO2 emission. It was suggested that
more attention should be paid to relevant factors such as general technology and low-carbon agricultural technology
development, promotion of reasonable and orderly urbanization, and to the development of low-carbon social atmosphere in
order to achieve low-carbon and sustainable development in agriculture.
Keywords China; Agricultural CO2 emission; Driving factor; Kaya identity; LMDI decomposition
随着中国社会经济发展, 城镇化、工业化步伐
加快, 国民经济三次产业结构不断调整, 第一产业
在国民经济中比例逐渐压缩并保持稳定。在农村耕
地不断被城市设施、工业项目挤占的背景下, 对传
统农业进行转型升级, 提高农业生产各领域的效率,
将农业现代化目标与农业低碳化发展手段相结合的
现代农业发展之路成为了当下以及未来中国农村经
济改革的重要内容。2014年中央一号文件中提出了
建立农业可持续发展长效机制的要求, 充分体现出
农业可持续发展对国家可持续发展的重要性。
传统农业向现代农业转变是中国作为传统农业
大国面临的一大挑战。以机械化、化学化、信息化
为特征的农业现代化过程, 无疑在提升农业生产效
率的同时因消耗更多的燃料、载能农资等而直接和
间接地产生碳排放, 而农业生产的技术路径依赖又
难以在短时间内得以改变, 这对农业现代化要求下
的农业低碳化发展以及可持续发展造成了一定的阻
力。对引起农业碳排放变动的因素进行深入分析有
助于我们更好地理解农业碳排放构成, 从而在制定
改进农业生产技术、改变传统农业生产习惯方面的
措施时更具有说服力和针对性。
目前学界关于农业碳排放的研究主要集中在农
业碳排放测算及农业碳排放驱动因素分析两个领
域。Zhang等[12]从生命周期角度考察了中国农业因
能源直接消耗和消耗其他载能产品而产生的直接与
间接碳排放 , 结果显示农业直接碳排放在 1978—
2008 年期间增加了近 3 倍, 而间接碳排放增加则接
近 4 倍。Li 等[3]研究了中国农村能源消费水平与结
构后认为进一步开发和利用可再生能源是解决农村
碳排放问题的有效手段。田云等[4]基于农地利用等
16 种碳源测算并纵向比较了全国 1995—2010 年间
的碳排放变化情况, 横向比较了 2010 年全国 31 个
省(市、区)的农业碳排放, 从纵向看我国农业碳排放
呈现“上升下降上升”的趋势, 横向上看各地区间
农业碳排放差异巨大。吴贤荣等[5]将农业碳排放纳
入到农业经济核算体系之中, 构建含有期望产出与
非期望产出的 DEA-Malmquist 效率指数, 测算了我
国 2000—2011年间 31个省(市、区)的农业碳排放效
率变动趋势, 并分析了农业 Malmquist 碳排放效率
指数及其分解指数的省域差异及变动趋势。
在农业碳排放驱动因素研究方面, Kaya 恒等式
因其数学形式简单、分解无残差且对碳排放变化推
动因素解释力强的特点在碳排放研究领域得到了广
泛的应用。庞丽[6]、朱亚红等[7]的研究表明, 农业经
济发展水平是影响各地区农业碳排放增长的主要因
素, 农业能源利用效率的提高、内部结构的优化有
助于抑制农业碳排放。田云等[8]、刘华军等[9]以碳强
度为指标, 利用基尼系数和核密度估计法考察了中
国农业碳排放的地区差距及分布演进。在农业碳排
放问题中 Kaya恒等式的应用方面, 尧波等[10]、李波
第 11期 戴小文等: 中国农业能源消耗碳排放变化驱动因素及其贡献研究 1447


http://www.ecoagri.ac.cn
等[11]、刘立平[12]基于 Kaya 恒等式对农业碳排放的
研究表明, 效率因素、结构因素和劳动力因素对农
业碳排放有抑制作用, 而农业经济发展是造成农业
碳排放量增加的主要因素。鲁钊阳[13]、杨钧[14]的研
究表明, 农业科技进步水平是负向影响农业碳排放
的重要因素, 农业技术进步短期内将直接增加农业
碳排放水平, 但间接地通过改进碳排放强度在长期
起到降低碳排放的作用。
在利用 LMDI 方法研究农业碳排放方面, 李国
志等[15]对 1981—2007 年中国农业能源消耗碳排放
进行测算后利用 LMDI 模型对碳排放进行因素分解
研究, 认为经济增长是导致农业碳排放增加最主要
原因, 能源消费结构恶化在一定程度上正向影响了
农业碳排放, 技术进步对农业碳减排有较强的促进
作用但具有一定随机性。韩岳峰等[16]从进出口角度
研究了农业领域由于能源消耗造成的碳排放, 认为
进口效应对农业碳排放贡献最大, 贸易条件效应、
出口反效应、生产规模效应和能源效率效应则依贡
献率大小依次排在出口效应之后。更多的利用 LMDI
分解方法进行的农业碳排放研究表明, 农业生产效
率和生产结构对农业碳排放具有抑制作用, 劳动力
规模对农业碳排放则具有一定促进作用, 但贡献不
大, 农业增加值的总体提高则是农业碳排放增加的
主要驱动力 [7,17], 农业科技进步对农业碳排放的减
少具有重要贡献[13]。
综上所述在农业碳排放的研究中, 学者们运用
的方法、切入的视角丰富多样, 为农业碳排放提供
了有益的贡献。为了探究既有研究中对农业碳排放
产生影响的常规因素之外还有哪些其他因素对农业
碳排放有所影响, 本研究以 Kaya 恒等式为蓝本, 利
用其数学性质对农业碳排放影响因素进行深度分解,
引入了城镇化因素和农村生活水平变动因素这两个
可能影响农业碳排放变动的因素, 探讨城镇化水平
和农村生活水平的提高对农业碳排放的影响方向和
程度。并以 Kaya恒等式为基础, 分别利用 LMDI指
数分解方法的乘法和加法形式对因能源消耗而引起
的农业碳排放的可能驱动因素进行分解, 并对其贡
献率进行研究。充分考虑人口城镇化速度与水平等
非常规的农业碳排放驱动因素, 将对未来制定低碳
农业发展政策与措施提供更加科学和全面的依据。
1 模型设计与说明
1.1 模型设计
1.1.1 农业碳排放核算
首先根据相关数据对我国农业部门因能源消耗
而产生的碳排放进行测算。此处计算的农业碳排放
仅为因能源消耗所产生的碳排放, 其计算原理为碳
排放量=代表性燃料碳排放系数×代表性燃料消耗数
量。具体公式如下:
2 2CO CO ce
n n
R R R
i i i
i i
N    (1)
式中: 2COR表示农业碳排放总量, cei表示第 i种代表
性能源的碳排放系数, NiR表示农业部门所消耗的第
i种能源的数量。
1.1.2 碳排放驱动因素分解
Kaya 恒等式最早由日本学者 Yoichi Kaya[18]提
出, 其原始形式如下:
2
2
CO GDPCO
GDP
E P
E P
    (2)
式中: CO2 表示二氧化碳排放量, E 示能源消耗量,
GDP为国内生产总值, P代表人口数量。通过因式分
解 , 将 CO2 展开为能源结构碳强度(CO2/E)、单位
GDP能耗(E/GDP)、人均 GDP(GDP/P)以及人口规模
(P)这 4 个因素, 从而将 CO2排放与能源消耗量、国
内生产总值、人口这 3 个因素进行关联, 为分析 4
类因素对 CO2 的影响提供了基础, 在碳排放领域被
广泛使用。
在原始Kaya恒等式的基础上, 对可能影响中国
农业碳排放的驱动因素进一步分解如下:
2
2
CO GDPCO
GDP
CE EG GP IUR
R R R R
R
R R R
E P P
PE P
P
    
    
(3)
式中: 2COR表示农业生产部门因能源消耗所产生的
碳排放总量; ER表示农业能源消耗总量; GDPR表示
国内生产总值中农业部门所贡献的 GDP, 即农业
GDP; PR 和 P 分别表示农村人口和总人口。CE=
2CO
R /ER 表示农业碳排放强度, 即每一单位能源消
耗所产生的碳排放, 反映农业生产中一般技术因素
的影响; EG=ER/GDPR表示农业能源使用效率, 即单
位农业 GDP的能源强度, 反映农业低碳技术因素的
影响; GP= GDPR/PR表示生活水平, 即农村人均农业
GDP, 反映农村人口人均所享有的农业经济增长成
果; IUR=PR/P 表示农村人口占总人口比重, 间接反
映城镇化水平。通常用城镇人口占总人口比重来表
示城镇化水平, 城镇人口占比越大, 城镇化水平越
高; 而此处采用的是间接指标, 即农村人口占总人
口比重, 比重越低则城镇化水平越高。P 表示总人
口, 即人口规模效应, 反映人口变动对农业碳排放
的影响。
1448 中国生态农业学报 2015 第 23卷


http://www.ecoagri.ac.cn
LMDI分解方法(Log Mean Divisia Index, 对数
指标分解方法)由 Ang 等[19]提出, 相对于 SDA(结构
分解方法)不需要使用投入产出数据, 而仅需要部门
加总数据 , 因此相关数据收集与运用相对简便。
LMDI 分解方法的优势在于分解完全、无残差、易
使用。其分解的乘法形式与加法形式具有分解的一
致性、结果的惟一性、易理解等优点[20]。同时, Ang[21]
的“分解极限”技巧较好地解决了 LMDI无法处理≤0
的数据的问题而在碳排放研究领域得到广泛应用。
LMDI 分解有乘法与加法两种形式, 但由于方
法自身的特殊性, 乘法形式的分解结果可以与加法
形式的分解结果进行互相转换[15]。根据 LMDI 分解
方法的特性, 由式(2)有:
乘法形式分解 : 0 CE2 2 2 2CO =(CO ) /(CO ) =COR R t R 
EG GP IUR
2 2 2 2CO CO CO CO
P   (4)
加法形式分解 : 0 CE2 2 2 2ΔCO (CO ) (CO ) ΔCOR R t R   
EG GP IUR
2 2 2 2ΔCO ΔCO ΔCO ΔCOP   (5)
式(4)、(5)中: CE2CO 、 CE2ΔCO 即碳排放强度, 反映一
般农业生产技术变动效应; EG2CO 、 EG2ΔCO 表示能源
强度, 反映低碳农业技术变动效应; GP2CO 、 GP2ΔCO
表示农村人均农业 GDP, 即农村生活水平效应 ;
IUR
2CO 、 IUR2ΔCO 表示间接城市化效应; 2COP、 2ΔCOP
表示人口规模效应。 CE2ΔCO 、 EG2ΔCO 、 GP2ΔCO 、
IUR
2ΔCO 、 2ΔCOP表示各因素对农业碳排放贡献值, 是
有单位实值; 而 CE2CO 、 EG2CO 、 GP2CO 、 IUR2CO 、 2COP
是各种因素对总的农业碳排放的无单位贡献率。
0
CE CE2 2
2 20
2 2
ln(CO ) ln(CO )
CO exp ΔCO
(CO ) (CO )
R t R
R t R
     
(6)
0
EG EG2 2
2 20
2 2
ln(CO ) ln(CO )
CO exp ΔCO
(CO ) (CO )
R t R
R t R
     
(7)
0
GP GP2 2
2 20
2 2
ln(CO ) ln(CO )
CO exp ΔCO
(CO ) (CO )
R t R
R t R
     
(8)
0
IUR IUR2 2
2 20
2 2
ln(CO ) ln(CO )
CO exp ΔCO
(CO ) (CO )
R t R
R t R
     
(9)
0
2 2
2 20
2 2
ln(CO ) ln(CO )CO exp ΔCO
(CO ) (CO )
R t R
P P
R t R
     
(10)
根据式(1)、(3)、(4), 各年度农业碳排放变动的
影响因素效应采用加法分解, 形式表达如下:
0
CE 2 2
2 0 0
2 2
(CO ) (CO ) CEΔCO ln
ln(CO ) ln(CO ) CE
R t R t
R t R
     
(11)
0
EG 2 2
2 0 0
2 2
(CO ) (CO ) EGΔCO ln
ln(CO ) ln(CO ) EG
R t R t
R t R
     
(12)
0
GP 2 2
2 0 0
2 2
(CO ) (CO ) GPΔCO ln
ln(CO ) ln(CO ) GP
R t R t
R t R
     
(13)
0
IUR 2 2
2 0 0
2 2
(CO ) (CO ) IURΔCO ln
ln(CO ) ln(CO ) IUR
R t R t
R t R
     
(14)
0
2 2
2 0 0
2 2
(CO ) (CO )ΔCO ln
ln(CO ) ln(CO )
R t R t
P
R t R
P
P
     
(15)
1.2 数据来源及其他说明
本研究数据来源主要是 1990—2013 年各年度
《中国统计年鉴》、《中国农业统计年鉴》以及《新中
国 60 年统计资料汇编》。农业部门能源消耗碳排放
核算中取的代表性能源为煤炭、焦炭、原油、汽油、
煤油、柴油、燃料油、天然气这 8 种, 碳排放系数
采用 IPCC(2006)推荐值: 煤炭, 2.53 t(CO2)·t1(ce);
焦炭, 3.14 t(CO2)·t1(ce); 原油, 2.76 t(CO2)·t1(ce);
汽油, 2.20 t(CO2)·t1(ce); 煤油, 2.56 t(CO2)·t1(ce);
柴油, 2.73 t(CO2)·t1(ce); 燃料油, 2.98 t(CO2)·t1(ce);
天然气, 2.09 t(CO2)·t1(ce)。为了避免重复计算未将
电力消耗考虑其中。
2 结果与分析
2.1 农业能耗碳排放测算及其驱动因素分解
由公式 (1)以及前期数据可以计算出 1990—
2013年全国总体及农业部门因直接能源消耗而产生
的碳排放, 整理后可得表 1。
根据表 1 数据绘制图 1 可以更清楚地发现, 中国
农业一次能源消耗的绝对数量随时间变动呈现出波动
上升趋势, 而其在三次产业总能耗中的比例却在逐年
波动下降, 这可以解释为随着农业向现代化转变, 在
生产方式、经营模式等方面的变革都会引起农业领域
能源消耗的绝对数量上升。但相对而言, 由于第一产
业 GDP 在国民经济中的比例随城市化和工业化水平
提高而不断缩减, 其相对比例即呈现出下降的趋势。
由图 2可知, 1990—2013年, 农业碳排放强度呈
现出平缓的下降趋势, 在 2003—2006年间出现过一
次较大的波动; 农业能源强度除 2003—2006年出现
波动外, 在考察期间呈现缓慢下降趋势; 农村生活
水平在考察期间则呈现出大幅度的提升, 这主要与
总体经济环境转好有重要关系; 总人口在考察期间
呈现出缓慢的上升趋势, 符合人口增长的一般规律;
间接城镇化水平呈现出较为平缓的下降趋势, 即城
市化水平在不断上升。实际上间接城镇化率与一般
人口城镇化率关于 0.5的水平对称, 如图 3所示。
第 11期 戴小文等: 中国农业能源消耗碳排放变化驱动因素及其贡献研究 1449


http://www.ecoagri.ac.cn
表 1 1990—2013年中国农业碳排放及其分解因素变动情况
Table 1 Agricultural CO2 emission and its driven factors’ changes from 1990 to 2013
年份
Year
tot
2CO
(104 t)
2CO
R
(104 t)
RE
(104 t)
GDPR
(104 Yuan)
RP
(104 person)
P
(104 person)
CE EG GP IUR UR
1990 98 703 8 234.18 4 825.00 5 017 84 138 114 333 1.71 0.96 0.06 0.74 0.26
1991 103 783 8 309.98 5 099.00 5 289 84 620 115 823 1.63 0.96 0.06 0.73 0.27
1992 109 170 7 471.64 5 020.00 5 800 84 996 117 171 1.49 0.87 0.07 0.73 0.27
1993 115 993 7 612.68 5 062.49 6 882 85 344 118 517 1.50 0.74 0.08 0.72 0.28
1994 122 737 7 753.73 5 104.98 9 457 85 681 119 850 1.52 0.54 0.11 0.71 0.29
1995 131 176 8 292.39 5 505.10 11 993 85 947 121 121 1.51 0.46 0.14 0.71 0.29
1996 135 192 8 473.48 5 717.09 13 844 85 085 122 389 1.48 0.41 0.16 0.70 0.30
1997 135 909 8 665.52 5 905.40 14 211 84 177 123 626 1.47 0.42 0.17 0.68 0.32
1998 136 184 8 784.16 5 790.32 14 552 83 153 124 761 1.52 0.40 0.18 0.67 0.33
1999 140 569 8 635.77 5 831.75 14 472 82 038 125 786 1.48 0.40 0.18 0.65 0.35
2000 145 531 8 608.99 5 787.12 14 628 80 837 126 743 1.49 0.40 0.18 0.64 0.36
2001 150 406 8 664.23 6 232.83 15 412 79 563 127 627 1.39 0.40 0.19 0.62 0.38
2002 159 431 9 019.01 6 514.29 16 117 78 241 128 453 1.38 0.40 0.21 0.61 0.39
2003 183 792 9 188.16 6 602.94 17 382 76 851 129 227 1.39 0.38 0.23 0.59 0.41
2004 213 456 11 338.25 5 697.35 21 413 75 705 129 988 1.99 0.27 0.28 0.58 0.42
2005 235 997 11 581.25 6 071.06 22 420 74 544 130 756 1.91 0.27 0.30 0.57 0.43
2006 258 676 11 991.13 8 395.10 24 040 73 160 131 448 1.43 0.35 0.33 0.56 0.44
2007 280 508 11 839.45 8 244.57 28 627 71 496 132 129 1.44 0.29 0.40 0.54 0.46
2008 291 448 7 379.54 6 013.13 33 702 70 399 132 802 1.23 0.18 0.48 0.53 0.47
2009 306 647 7 613.79 6 251.13 35 226 68 938 133 450 1.22 0.18 0.51 0.52 0.48
2010 324 939 8 149.17 6 477.30 40 534 67 113 134 091 1.26 0.16 0.60 0.50 0.50
2011 348 002 8 504.33 6 758.56 47 486 65 656 134 735 1.26 0.14 0.72 0.49 0.51
2012 361 732 8 616.06 6 784.43 52 374 64 222 135 404 1.27 0.13 0.82 0.47 0.53
2013 375 000 8 728.80 7 033.28 56 957 62 961 136 072 1.24 0.12 0.90 0.46 0.54
tot
2CO : 三次产业碳排放总量; 2COR : 农业生产部门因能源消耗所产生的碳排放总量; ER: 表示农业能源消耗总量; GDPR : 表示国内生产
总值中农业部门所贡献的 GDP ; PR: 农村人口; P: 总人口; CE: 农业碳排放强度; EG: 能源强度; GP: 农村生活水平; IUR: 间接城镇化水平;
UR: 通常意义上的城镇化水平。下同。由于数据缺失, 1993年碳排放数据由前后两年碳排放数据算数平均所得, 1993年、2013年农业部门能
源消耗总额按照 1992年、2012年农业部门能耗总额占全国能耗总额比例测算。 tot2CO : total carbon emission of all departments; 2COR : carbon
emission caused by energy consumption in agriculture; ER: energy consumption in agriculture; GDPR : GDP of agriculture; PR: rural population; P:
total population; CE: CO2 emission strength; EG: energy strength; GP: rural living standard; IUR: indirect urbanization ratio; UR: normal urbanization
rate. The same below. Because of lack of data, carbon emission of 1993 was the mean value of 1992 and 1994. Agricultural energy consumption of
1993 and 2013 were calculated with proportions of agriculture energy consumption of national energy consumption of 1992 and 2012.

图 1 1990—2013年农业能源消耗及其占能源总消耗比变动
Fig. 1 Agricultural energy consumption and its proportion of national energy consumption from 1990 to 2013
2.2 农业能耗碳排放因素分解及贡献率测算
由公式(2)~(15)可得表 2、表 3 数据。由 LMDI
乘法分解得出的数据可知(表 2), 1990—2013年农业
碳排放共增长 1 倍左右, 但由于使用了间接城镇化
指标, 这一数值显然被低估。其中, 一般技术效应变
动引起农业碳排放变动为基期的 0.727 1倍, 农业低
1450 中国生态农业学报 2015 第 23卷


http://www.ecoagri.ac.cn

图 2 1990—2013年农业碳排放强度(CE)、能源强度(EG)、农村生活水平(GP)、间接城镇化水平(IUR)、农村人口(PR)
及总人口(P)规模变动
Fig. 2 Changes in agricultural CO2 emission strength (CE), energy strength (EG), rural living standard (GP), indirect urbanization
ratio (IUR), rural population (PR) and total population (P) in China from 1990 to 2013

图 3 1990—2013年中国城镇化率(UR)与间接城镇化率(IUR)
Fig. 3 Direct urbanization ratio (UR) and indirect urbanization ratio (IUR) in China from 1990 to 2013
碳技术效应引起农业碳排放变动为基期的 0.128 4
倍, 即呈现出明显的负向驱动力, 但从细分的区间
年度考察其驱动则呈现出波动态势。相反, 农村生
活水平变动则引起了农业碳排放变化为基期的
15.171 3倍, 表现出极强的正向驱动力, 从每个细分
年度区间来看, 也都保持了 1 倍以上的变动。总人
口变动亦引起农业碳排放的正向变动, 这一变动是
相对基期的 1.190 1倍, 各细分观察期间也表现出一
致的正向驱动。较为特殊的是, 由于间接城镇化其
与城镇化指标互为逆指标, 在分解过程中表现为对
农业碳排放的负向推动, 利用相同算法对一般城镇
化率对碳排放影响进行测算后发现, 其在整个考察
区间引起了农业碳排放为 1.011 1倍的增长, 表现出
微弱的正向驱动。因此将 1990—2013年农业碳排放
总变动修正为总变动 1.704 4倍。关于城镇化水平对
碳排放驱动力的影响, 有学者认为城市化与碳排放
之间呈倒 U 形关系, 当城市化发展过程到一定水平
后出现对碳排放的抑制作用[22], 随着城市化阶段的
演进, 城市化对碳排放的驱动作用越来越小[23]。我
们对这一并不明显的正向驱动解释为, 一方面由于
农村地区城镇化水平的不断提高, 对于农业产出的
要求更高 , 从这个层面会间接地增加农业碳排放 ;
另一方面在农村各领域进行的包括高效节能的生
产方式的应用、农业人口转移就业、农民生活方式
改变、农业信息化程度加深、现代农业经营体系的
建立等一系列变革, 在一定程度上缓解了由于城镇
化对于生产资料、能源等的需求间接造成的农业碳
排放。
由表 3可知, 从总体上看, 1990—2013年, 农业
碳排放总变动为 493.62万 t, 这一数值因使用了间接
城市化指标而被低估。其中一般技术因素、农业低
碳技术因素分别导致农业碳排放减少 2 701.48 万 t
和 17 403.35 万 t, 而农村生活水平因素与人口规模
因素分别增加了 23 056.75万 t和 147.86万 t的农业
第 11期 戴小文等: 中国农业能源消耗碳排放变化驱动因素及其贡献研究 1451


http://www.ecoagri.ac.cn
表 2 1990—2013年农业碳排放驱动因素分解(乘法分解形式)
Table 2 Decomposition factors of agricultural CO2 emission from 1990 to 2013 (multiplicative decomposition)
年度区间 Annual interval CE2CO EG2CO GP2CO IUR2CO 2COP 2COR
1990—1991 0.955 0 1.002 4 1.048 2 0.992 8 1.013 0 1.009 2
1991—1992 0.913 3 0.897 8 1.091 8 0.992 9 1.011 6 0.899 1
1992—1993 1.010 3 0.849 9 1.181 7 0.992 7 1.011 5 1.018 9
1993—1994 1.010 1 0.733 8 1.368 8 0.992 8 1.011 2 1.018 5
1994—1995 0.991 7 0.850 3 1.264 2 0.992 6 1.010 6 1.069 5
1995—1996 0.983 9 0.899 7 1.166 0 0.979 7 1.010 5 1.021 8
1996—1997 0.990 1 1.006 3 1.037 6 0.979 4 1.010 1 1.022 7
1997—1998 1.033 8 0.957 5 1.036 6 0.978 8 1.009 2 1.013 7
1998—1999 0.976 1 1.012 7 1.008 0 0.978 6 1.008 2 0.983 1
1999—2000 1.004 6 0.981 8 1.025 8 0.977 9 1.007 6 0.996 9
2000—2001 0.934 4 1.022 2 1.070 5 0.977 4 1.007 0 1.006 4
2001—2002 0.996 0 0.999 4 1.063 4 0.977 1 1.006 5 1.041 0
2002—2003 1.005 1 0.939 8 1.098 0 0.976 4 1.006 0 1.018 8
2003—2004 1.430 2 0.700 4 1.250 6 0.979 3 1.005 9 1.234 0
2004—2005 0.958 6 1.017 7 1.063 3 0.978 9 1.005 9 1.021 4
2005—2006 0.748 8 1.289 6 1.092 5 0.976 3 1.005 3 1.035 4
2006—2007 1.005 4 0.824 7 1.218 5 0.972 2 1.005 2 0.987 4
2007—2008 0.854 6 0.619 5 1.195 6 0.979 7 1.005 1 0.623 3
2008—2009 0.992 5 0.994 6 1.067 4 0.974 5 1.004 9 1.031 7
2009—2010 1.032 9 0.900 5 1.182 0 0.968 9 1.004 8 1.070 3
2010—2011 1.000 2 0.890 7 1.197 5 0.973 6 1.004 8 1.043 6
2011—2012 1.009 3 0.910 1 1.127 6 0.973 3 1.005 0 1.013 1
2012—2013 0.921 9 0.953 3 1.109 3 0.975 6 1.004 9 1.013 0
1990—2013 0.727 1 0.128 4 15.171 3 0.628 8 1.190 1 1.009 2
*1990—2013 0.727 1 0.128 4 15.171 3 1.011 1 1.190 1 1.704 4
CE
2CO 、 EG2CO 、 GP2CO 、 IUR2CO 、 2COP分别表示一般农业生产技术变动因素、低碳农业技术变动因素、生活水平变动因素、间接城市
化因素、人口规模因素对总的农业碳排放的无单位贡献率 , 2COR 表示农业生产部门因能源消耗所产生的碳排放总量 , 并有
CE EG GP IUR
2 2 2 2 2 2CO =CO CO CO CO CO
R P    的关系。带 *号行中 IUR2CO 列数字为利用 LMDI 乘法形式分解计算的一般城镇化水平 (UR)在
1990—2013 年间的农业碳排放相对基期的贡献倍数 , 总变动 ( 2COR )亦作相应变化。 CE2CO , EG2CO , GP2CO , IUR2CO and 2COP are folds of
contribution compared to the base period to total agriculture CO2 emission of agricultural CO2 emission strength (CE, indicating change in general
technology of agriculture), energy strength (EG, indicating change in low-carbon technology of agriculture), rural living standard (GP, indicating
change in living standard in rural area), indirect urbanization ratio (IUR, indicating urbanization level) and population (P). 2CO
R is total CO2 emission
caused by energy consumption of agriculture. The relation among those factors is CE EG GP IUR2 2 2 2 2 2CO =CO CO CO CO CO
R P    . The IUR2CO in the row
‘1990—2013’ with ‘*’ (1.011 1) is the contribution fold compared to the base period of general urbanization to agricultural CO2 emission from 1990 to
2013 calculated with LMDI multiplicative method, and the total change ( 2CO
R) is adjusted correspondingly.

碳排放。利用相同算法对一般城镇化因素变动引起
的农业碳排放进行测算, 可知 1990—2013年间共引
起农业碳排放增长 6 021.74万 t。因此, 农业碳排放
总变动修正为 10 449.52万 t。从细分的考察区间来
看, 一般技术效应在 14个年份中表现出对农业碳排
放的负向驱动力, 低碳农业技术效应在 17个区间年
度中表现出对农业碳排放的负向驱动力, 而农村生
活水平效应、总人口规模效应以及修正后的城镇化
效应在所有考察的细分区间都呈现出正向驱动力。
贡献率方面, 1990—2013 年期间修正前与修正
后的各个分解因素在贡献率的数值上有很大差异 ,
但并不影响对各分解因素对于农业碳排放驱动方向
的判断。从修正后的数据来看, 1990—2013 年总的
农业碳排放中一般技术因素贡献为25.85%, 农业
低碳技术因素贡献率为166.55%, 农村生活水平变
动因素贡献率为 220.65%, 城镇化水平贡献率为
57.63%, 人口规模因素的贡献率则为 14.12%。因此,
从总体上看, 利用 LMDI 分解方法对农业碳排放进
行分解并进行修正后, 负向驱动农业碳排放的因素
主要是一般技术因素和低碳农业技术因素, 而农村
1452 中国生态农业学报 2015 第 23卷


http://www.ecoagri.ac.cn
表 3 1990—2013年农业碳排放驱动因素分解(加法分解形式)
Table 3 Decomposition of agricultural CO2 emission from 1990 to 2013 (additive decomposition)
碳排放变化 Change in CO2 emission (104 t) 各因素贡献率 Contribution of factor (%) 区间年度
Annual interval CE
2CO EG2CO GP2CO IUR2CO 2COP 2COR CE2CO EG2CO GP2CO IUR2CO 2COP
1990—1991 381.09 20.16 389.49 59.85 107.11 75.80 502.76 26.59 513.83 78.96 141.30
1991—1992 715.24 850.17 692.12 56.27 91.22 838.34 85.32 101.41 82.56 6.71 10.88
1992—1993 77.47 1 226.49 1 259.24 55.33 86.14 141.04 54.93 869.61 892.83 39.23 61.08
1993—1994 76.83 2 377.79 2 411.73 55.65 85.93 141.05 54.47 1 685.78 1 709.84 39.46 60.92
1994—1995 66.52 1 300.13 1 880.45 59.74 84.60 538.66 12.35 241.36 349.10 11.09 15.71
1995—1996 135.65 886.41 1 287.64 171.80 87.30 181.09 74.91 489.49 711.05 94.87 48.21
1996—1997 85.66 53.50 316.14 178.11 86.17 192.04 44.61 27.86 164.62 92.75 44.87
1997—1998 290.34 378.58 313.67 186.52 79.74 118.64 244.72 319.10 264.39 157.22 67.21
1998—1999 210.49 110.11 69.57 188.84 71.26 148.39 141.85 74.20 46.88 127.26 48.03
1999—2000 39.46 158.69 219.61 192.51 65.35 26.78 147.35 592.56 820.04 718.87 244.03
2000—2001 585.56 189.89 588.10 197.23 60.03 55.24 1 060.02 343.76 1 064.63 357.04 108.67
2001—2002 35.68 4.95 543.54 205.16 57.03 354.78 10.06 1.40 153.21 57.83 16.07
2002—2003 46.10 564.80 851.03 217.87 54.69 169.15 27.26 333.91 503.12 128.80 32.33
2003—2004 3 658.50 3 641.08 2 286.31 213.67 60.04 2 150.09 170.16 169.35 106.34 9.94 2.79
2004—2005 485.03 201.42 703.72 244.60 67.51 243.00 199.60 82.89 289.59 100.66 27.78
2005—2006 3 409.82 2 997.51 1 043.05 283.06 62.21 409.88 831.91 731.31 254.48 69.06 15.18
2006—2007 63.91 2 296.34 2 354.89 335.71 61.57 151.68 42.13 1 513.94 1 552.54 221.32 40.59
2007—2008 1 482.31 4 517.37 1 685.65 193.81 47.93 4 459.91 33.24 101.29 37.80 4.35 1.07
2008—2009 56.72 40.56 488.73 193.69 36.49 234.25 24.21 17.31 208.64 82.69 15.58
2009—2010 255.37 825.78 1 317.17 249.13 37.75 535.38 47.70 154.24 246.03 46.53 7.05
2010—2011 1.28 963.99 1 500.61 222.62 39.89 355.16 0.36 271.42 422.52 62.68 11.23
2011—2012 79.03 805.97 1 027.71 231.43 42.40 111.73 70.73 721.36 919.82 207.13 37.95
2012—2013 200.65 415.06 899.41 214.64 42.68 111.74 179.57 371.46 804.93 192.09 38.19
1990—2013 2 701.48 17 403.35 23 056.75 3 934.17 1 475.86 493.62 547.28 3 525.67 4 670.97 797.01 298.99
*1990—2013 2 701.48 17 403.35 23 056.75 6 021.74 1 475.86 10 449.52 25.85 166.55 220.65 57.63 14.12
CE
2ΔCO 、 EG2ΔCO 、 GP2ΔCO 、 IUR2ΔCO 、 2ΔCOP分别表示一般农业生产技术变动因素、低碳农业技术变动因素、生活水平变动因素、间接城市
化因素、人口规模因素对农业碳排放贡献值 , 是有单位实值 , 并有 CE EG GP IUR2 2 2 2 2 2ΔCO ΔCO ΔCO ΔCO ΔCO ΔCOR P     的关系 ; 带*行中 IUR2ΔCO 及
IUR
2CO 列数字 6 021.74和 57.63表示利用加法形式的 LMDI分解法计算的一般城镇化水平(UR)引起的 1990—2013年农业碳排放及其贡献率。
CE
2ΔCO , EG2ΔCO , GP2ΔCO , IUR2ΔCO and 2ΔCOP represent contribution amounts of change in agricultural CO2 emission strength (CE), change in
energy strength (EG), change in rural living standard (GP), change in indirect urbanization ratio (IUR), changes in and total population (P)
respectively. 2CO
R is the total CO2 emission caused by energy consumption of agriculture. The relation among those factors is
CE EG GP IUR
2 2 2 2 2 2ΔCO ΔCO ΔCO ΔCO ΔCO ΔCOR P     ; IUR2ΔCO and IUR2CO in the row ‘1990—2013’ with a ‘*’ (6 021.74 and 57.63) are the total changes
in agricultural CO2 emission caused by general urbanization change, and the contribution ratio of CO2 emission caused by general urbanization ratio
from 1990 to 2013 calculated by LMDI additive method.

生活水平变动因素、城镇化水平因素以及人口规模
因素则是农业碳排放正向变动的主要因素。其中 ,
农村生活水平因素变动是引起农业碳排放正向增加
的主要因素, 低碳农业技术因素变动则是引起农业
碳排放负向变动的最主要因素。
3 结论与对策
3.1 结论
本文以Kaya恒等式为蓝本构建了一个包括一般
技术因素、农业低碳技术因素、农村生活水平因素、
间接城镇化因素、总人口因素的农业碳排放恒等式
2CO CE EG GP IUR
R P     , 通过LMDI分解方法对
1990—2013年中国农业碳排放的驱动因素进行了分
析并得出以下结论:
随着经济发展, 农村生活水平不断提高是促成
农业碳排放的最主要因素; 一般技术变动因素与农
业低碳技术都是负向驱动农业碳排放的重要因素。
但就驱动力来看, 农业低碳技术因素比一般技术变
动因素更为强劲; 总人口变动因素对农业碳排放呈
现出正向驱动力, 但不论从整个长跨度区间还是细
分区间来看, 其正向驱动力都不强; 由Kaya恒等式
扩展得出的间接城镇化指标与一般城镇化指标之间
第 11期 戴小文等: 中国农业能源消耗碳排放变化驱动因素及其贡献研究 1453


http://www.ecoagri.ac.cn
关于50%的水平在坐标系中对称, 通过转换与修正
计算发现城镇化水平对农业碳排放表现出相对温和
的正向的驱动力。
3.2 对策启示
农业现代化是我国农业未来发展主要方向, 而
农业现代化是一个永无止境的历史过程, 在这个历
史过程中, 需要不断地通过农业领域各个方面的改
革与创新, 使农业成为产业发展、人民安居乐业的
有力保障。通过对我国农业能源消耗碳排放及其驱
动因素分解的研究, 有如下对策启示:
1)无论是生产耗能还是生活耗能, 因能源消耗
所产生的碳排放仍然是目前农业碳排放的主要来
源。通过技术研发和生产管理手段的优化, 不断改
进燃料碳排放效率和降低单位产出的能源消耗 ,
进而降低碳排放强度和能源强度 , 减少农业能耗
碳排放。
2)无论是通用技术还是低碳技术都将是未来农
业低碳可持续发展的重要支撑, 也是实现农业现代
目标的基本途径与保障。通过不断的技术创新, 在
小型低耗能农业机械的研发与新型低排放燃料研发
领域上下功夫, 通过开发与推广使用生物质能、太
阳能等清洁能源改善农村能源结构, 配合农业废弃
物循环利用与创新农业经营管理模式, 降低农业生
产经营过程中的碳排放, 走农业低碳化的可持续农
业发展道路。
3)在农村人口生活水平得以普遍提高的情况下,
保持勤俭节约的良好风气, 对于现代化设施物尽其
用, 在生活与生产能源的使用上厉行节约。在农村
市场上销售的农机、电器等亦应带有能耗标识, 以
便居民选择低能耗低排放的电气设备。在改善农村
人口生活水平的同时从社会责任的角度出发培育农
村人口低碳生活、低碳生产意识, 促进在生活与生
产过程中节能减排。
4)合理有序地推进城镇化建设, 将低碳农业发
展融入城乡统筹与城乡一体化发展中, 适当控制城
市规模扩张速度, 在城镇、乡村生活方式转变、低
碳生活理念培养、新型清洁能源使用与推广方面加
大人财物的投入, 保障城镇化过程中农民向市民有
效的低碳转变。在全社会范围内营造低碳发展的氛
围, 为农业低碳化发展提供社会环境, 通过低碳农
产品的营销以及大众低碳农产品消费习惯的培养 ,
形成对农业低碳化发展的倒逼机制。
参考文献
[1] Zhang L X, Wang C B, Yang Z F, et al. Carbon emissions
from energy combustion in rural China[J]. Procedia
Environmental Sciences, 2010, 2: 980–989
[2] Zhang L X, Wang C B, Bahaj A S. Carbon emissions by rural
energy in China[J]. Renewable Energy, 2014, 66: 641–649
[3] Li C B, He L N, Cao Y J, et al. Carbon emission reduction
potential of rural energy in China[J]. Renewable and
Sustainable Energy Reviews, 2014, 29: 254–262
[4] 田云, 张俊飚, 李波. 中国农业碳排放研究: 测算、时空比
较及脱钩效应[J]. 资源科学, 2012, 34(11): 2097–2105
Tian Y, Zhang J B, Li B. Agricultural carbon emissions in
China: Calculation, spatial-temporal comparison and
decoupling effects[J]. Resources Science, 2012, 34(11):
2097–2105
[5] 吴贤荣, 张俊飚, 田云, 等. 中国省域农业碳排放: 测算、
效率变动及影响因素研究——基于 DEA-Malmquist 指数分
解方法与 Tobit 模型运用 [J]. 资源科学 , 2014, 36(1):
129–138
Wu X R, Zhang J B, Tian Y, et al. Provincial agricultural
carbon emissions in China: Calculation, performance change
and influencing factors[J]. Resources Science, 2014, 36(1):
129–138
[6] 庞丽 . 我国农业碳排放的区域差异与影响因素分析[J]. 干
旱区资源与环境, 2014, 28(12): 1–7
Pang L. Empirical study of regional carbon emissions of
agriculture in China[J]. Journal of Arid Land Resources and
Environment, 2014, 28(12): 1–7
[7] 朱亚红 , 马燕玲 , 陈秉谱 . 甘肃省农地利用碳排放测算及
影响因素研究[J]. 农业现代化研究, 2014, 35(2): 248–252
Zhu Y H, Ma Y L, Chen B P. Research on characteristics and
driving factors of agricultural land carbon emission in Gansu
Province[J]. Research of Agricultural Modernization, 2014,
35(2): 248–252
[8] 田云, 张俊飚, 尹朝静, 等. 中国农业碳排放分布动态与趋
势演进——基于 31个省(市、区)2002—2011年的面板数据
分析[J]. 中国人口•资源与环境, 2014, 24(7): 91–98
Tian Y, Zhang J B, Yin C J, et al. Distributional dynamics and
trend evolution of China’s agricultural carbon emissions: An
analysis on panel data of 31 provinces from 2002 to 2011[J].
China Population, Resource and Environment, 2014, 24(7):
91–98
[9] 刘华军 , 鲍振 , 杨骞 . 中国农业碳排放的地区差距及其分
布动态演进——基于Dagum基尼系数分解与非参数估计方
法的实证研究[J]. 农业技术经济, 2013(3): 72–81
Liu H J, Bao Z, Yang Q. Regional disparity and dynamic
evolution of agricultural CO2 emission in China: A case study
based on a Dagum Gini-coefficient decomposition and
non-parametric estimation method[J]. Journal of Agrotechnical
Economics, 2013(3): 72–81
[10] 尧波, 郑艳明, 胡丹, 等. 江西省县域农业碳排放的时空动
态及影响因素分析[J]. 长江流域资源与环境, 2014, 23(3):
311–318
Yao B, Zheng Y M, Hu D, et al. Spatial and temporal
variations of county based agricultural carbon emissions and
associated effect factors in Jiangxi Province[J]. Resources and
Environment in the Yangtze Basin, 2014, 23(3): 311–318
1454 中国生态农业学报 2015 第 23卷


http://www.ecoagri.ac.cn
[11] 李波 , 张俊飚 , 李海鹏 . 中国农业碳排放时空特征及影响
因素分解[J]. 中国人口• 资源与环境, 2011, 21(8): 80–86
Li B, Zhang J B, Li H P. Research on spatial-temporal
characteristics and affecting factors decomposition of
agricultural carbon emission in China[J]. China Population,
Resources and Environment, 2011, 21(8): 80–86
[12] 刘立平 . 河南省农业碳排放时空特征及影响因素研究[J].
水土保持研究, 2014, 21(4): 179–183
Liu L P. Research on spatiotemporal characteristics and
impact factors decomposition of agricultural carbon emission
in Henan Province[J]. Research of Soil and Water
Conservation, 2014, 21(4): 179–183
[13] 鲁钊阳. 省域视角下农业科技进步对农业碳排放的影响研
究[J]. 科学学研究, 2013, 31(5): 674–683
Lu Z Y. The influence from the progress of agricultural
science and technology to agricultural carbon emission based
on provincial point[J]. Studies in Science of Science, 2013,
31(5): 674–683
[14] 杨钧 . 农业技术进步对农业碳排放的影响——中国省级数
据的检验[J]. 软科学, 2013, 27(10): 116–120
Yang J. The effects of technological advances on agricultural
carbon emission: Evidence from Chinese provincial data[J].
Soft Science, 2013, 27(10): 116–120
[15] 李国志 , 李宗植 . 中国农业能源消费碳排放因素分解实证
分析——基于 LMDI 模型 [J]. 农业技术经济 , 2010(10):
66–72
Li G Z, Li Z Z. An empirical study on the agricultural CO2
emission caused by energy consumption in China: Based on
LMDI model[J]. Journal of Agrotechnical Economics,
2010(10): 22–27
[16] 韩岳峰 , 张龙 . 中国农业碳排放变化因素分解研究——基
于能源消耗与贸易角度的 LMDI分解法[J]. 当代经济研究,
2013(4): 47–52
Han Y F, Zhang L. Decomposition study on change factors of
agricultural CO2 emission in China: Based on LMDI model
from energy consumption and trade points[J]. Contemporary
Economic Research, 2013(4): 47–52
[17] 贺亚亚 , 田云 , 张俊飚 . 湖北省农业碳排放时空比较及驱
动因素分析[J]. 华中农业大学学报: 社会科学版, 2013(5):
79–85
He Y Y, Tian Y, Zhang J B. Analysis on spatial-temporal
difference and driving factors of agricultural carbon
emissions in Hubei Province [J]. Journal of Huazhong
Agricultural University: Social Science Edition, 2013(5):
79–85
[18] Yoichi K. Impact of Carbon Dioxide Emission on GNP
Growth: Interpretation of Proposed Scenarios[R]. Paris:
Presentation to the Energy and Industry Subgroup, Response
Strategies Working Group, IPCC, 1989
[19] Ang B W, Zhang F Q, Choi K H. Factorizing changes in
energy and environmental indicators through decomposition[J].
Energy, 1998, 23(6): 489–495
[20] 郭朝先 . 中国碳排放因素分解 : 基于 LMDI 分解技术[J].
中国人口• 资源与环境, 2010, 20(12): 4–9
Guo C X. Decomposition of China’s carbon emissions: Based
on LMDI method[J]. China Population, Resources and
Environment, 2010, 20(12): 4–9
[21] Ang B W. The LMDI approach to decomposition analysis: A
practical guide[J]. Energy Policy, 2005, 33(7): 867–871
[22] 孙昌龙, 靳诺, 张小雷, 等. 城市化不同演化阶段对碳排放
的影响差异[J]. 地理科学, 2013, 33(3): 266–272
Sun C L, Jin N, Zhang X L, et al. The impact of urbanization
on the CO2 emission in the various development stages[J].
Scientia Geographica Sinica, 2013, 33(3): 266–272
[23] 任海军 , 刘高理 . 不同城市化阶段碳排放影响因素的差
异研究——基于省际面板数据[J]. 经济经纬 , 2014, 31(5):
1–7
Ren H J, Liu G L. A research on the different impacts of
urbanization stages on carbon emissions: Based on the panel
data of provinces[J]. Economic Survey, 2014, 31(5): 1–7