能源研究与信息  2025, Vol. 41 Issue (2): 82-89   PDF    
基于LMDI分解模型的上海市公共建筑运行碳排放研究
施帆帆1, 王海东1, 寇玉德2     
1. 上海理工大学 环境与建筑学院,上海 200093 ;
2. 上海市建筑建材业市场管理总站,上海 200032
摘要:公共建筑是建筑业节能减排的重要组成部分。上海作为中国城市化率最高的城市,其公共建筑领域的碳减排问题急需解决。依托上海市统计年鉴数据,利用Kaya恒等式确定了能源结构、建筑能效、经济密度的倒数、经济发展和人口规模5个碳排放量影响因素,基于对数平均迪氏指数(LMDI)分解模型对主要影响因素进行了量化分析。结果表明,第三产业经济发展和人口规模是推动上海市公共建筑碳排放量增加的关键因素,能源结构、经济密度的倒数和建筑能效是抑制碳排放的关键因素。通过厘清上海市公共建筑碳排放的历史演变趋势,挖掘公共建筑节能减排潜力,提出了节能减排建议。
关键词公共建筑     碳排放     Kaya恒等式     对数平均迪氏指数     减排    
Research on carbon emissions from the operation of public buildings in Shanghai based on LMDI decomposition model
SHI Fanfan1, WANG Haidong1, KOU Yude2     
1. School of Environment and Architecture, University of Shanghai for Science and Technology, Shanghai 200093, China ;
2. Shanghai Architecture and Construction Material Marketing Management Station, Shanghai 200032, China
Abstract: Public buildings are important components of energy conservation and emission reduction in the construction industry. As the city with the highest urbanization rate in China, Shanghai urgently needs to solve the carbon reduction problem in the field of public buildings. This article relies on the data from the Shanghai Statistical Yearbook and uses Kaya identity to determine five factors that affect carbon emissions: energy structure, building energy efficiency, reciprocal of economic density, economic development, and population size. Based on the LMDI decomposition model, the main influencing factors are quantitatively analyzed. The research results indicate that the development of the tertiary industry economy and population size are key factors driving the increase in carbon emissions from public buildings in Shanghai. Conversely, energy structure, reciprocal of economic density and building energy efficiency are key factors in suppressing carbon emissions. By elucidating the historical evolution trend of carbon emissions from public buildings in Shanghai and exploring the potential for energy conservation and emission reduction in public buildings, this study proposes suggestions for energy conservation and emission reduction in public buildings.
Key words: public building     carbon emission     Kaya identity     LMDI     emission reduction suggestions    

随着基础设施的快速发展,建筑业成为碳排放的主要贡献部门之一12。建筑业碳减排对我国能否实现“双碳”目标有着重要影响34。中国建筑节能协会发布的《2022中国建筑能耗与碳排放研究报告》5显示,2005—2020年,中国建筑领域全过程碳排放量由22.3亿 tCO2上升至50.8亿 tCO2,占全国碳排放总量的50.9%。2020年建筑运行阶段碳排放量为21.6亿 tCO2,占全国碳排放总量的21.7%,其中公共建筑碳排放为8.34亿 tCO2,占建筑运行阶段碳排放量的38.6%。在此数据背景下,建筑领域碳排放研究已成为一个紧迫的问题。

随着“双碳”目标的提出68,各省迅速规划节能减排路线,城市已被确定作为碳减排的基本单位9-11。上海作为中国城市化率最高的城市,2020年其公共建筑面积为4.23亿m2,约占上海市建筑总面积的30%。公共建筑具有单体面积大、人流密度大、营业时间长和用能情况复杂的特点。随着城镇化的快速推进,公共建筑领域将面临更加严峻的碳减排压力1213

碳排放量核算与影响因素分析是厘清碳排放历史演变趋势和挖掘碳减排潜力的重要手段。碳排放量核算数据可以从国家或地方统计部门发布的统计年鉴中获得,统计年鉴的数据可以用作碳排放的宏观分析1415。排放因子法因计算过程简单被广泛应用在国家、城市等宏观的碳排放量核算中。黄蓓佳等16整理了上海市近十年的建筑材料和能源消耗数据,利用排放因子法对上海市住宅及非住宅建筑在建材生产、建筑施工、建筑运行和建筑拆除阶段的碳排放量进行核算。潘毅群等17采用排放因子法对2005—2019年上海市建筑领域碳排放量进行核算,并结合不同的情景假设,预测上海市未来40年建筑领域碳排放量变化情况。

对数平均迪氏指数(logarithmic mean Divisia index, LMDI)模型被广泛应用在能源与碳排放影响因素分析中1819。LMDI分解具有分解完全、无残差的特点,并且结果具有易解释性。LMDI模型分为加法模型与乘法模型20。LMDI加法模型的适用范围要大于LMDI乘法模型,使用比例也较高。在对总量指标进行分解时,LMDI加法模型是首选21。胡梦泽等22利用LMDI模型探究唐山6大支柱产业碳排放量变化的深层次原因。结果表明,能源强度效应是碳排放量变化的主要抑制因素,产业结构则是碳排放量增加的主要驱动因素。Gan等23利用2010—2019年中国公共建筑省级统计数据,采用Kaya−Theil模型,从人均碳排放和单位建筑面积碳排放两个尺度探讨了公共建筑碳排放强度及其驱动因素的不均衡性。Rasheed等24利用Kaya恒等式和LMDI分解模型评估了2005—2020年影响巴基斯坦水泥制造业碳排放水平的因素,结果表明劳动生产率对碳排放量影响较大。谭春平等25利用LMDI分解模型将影响甘肃省城镇住宅建筑碳排放量的因素定为能源结构、能源效率和住房水平。研究表明,这3类影响因素对人均碳排放量增加的影响均为正效应。陈定艺26基于LMDI模型发现,人均建筑面积是影响福建省建筑领域碳排放量的主要驱动因素。

综合以上文献发现,现有研究缺少对公共建筑领域碳排放量的拆分探讨,且模糊甚至忽略碳排放量核算过程。本文采用第三产业拆分法和动态排放因子法使上海市公共建筑碳排放量核算结果更加准确,同时增加建筑能效和经济密度的倒数2个与公共建筑碳排放密切相关的影响因素。以历年宏观统计数据为基础,分析上海市公共建筑碳排放的历史演变趋势和碳减排潜力。首先,通过排放因子法核算2001—2020年上海市公共建筑碳排放量;其次,利用Kaya恒等式和LMDI分解模型对公共建筑碳排放量的影响因素进行量化分析,挖掘公共建筑节能减排的潜力;最后,结合研究结果,提出上海市公共建筑减排建议。

1 研究方法 1.1 排放因子计算

公共建筑常用能源包括原煤、天然气、管道煤气、柴油、汽油、液化石油气、热力和电力。本文研究对象是上海市公共建筑,因此排放因子相关数据来源于《上海市旅游饭店、商场、房地产业及金融业办公建筑温室气体排放核算与报告方法》(SH/MRV−009—2012)27。化石能源碳排放因子计算式为

$ \qquad {f}_{i}={N}_{i} {B}_{i} {O}_{i} \frac{44}{12} $ (1)

式中:$ {f}_{i} $为化石能源i的碳排放因子;$ {N}_{i} $为化石能源i的低位热值,kJ/kg或kJ/m3$ {B}_{i} $为化石能源i的单位热值含碳量,tC/TJ;$ {O}_{i} $为化石能源i的碳氧化率,%;44/12为CO2的相对分子质量与C的相对原子质量之比。

热力和电力作为二次能源,其碳排放因子并不是固定值。热力碳排放因子变化不大,且热力排放量在公共建筑碳排放总量中占比较小,故本文采用上海市最新数据0.06 tCO2/ GJ作为热力碳排放因子。电力碳排放因子与上海市发电结构有关,具体数值可以通过发电消耗的化石能源的碳排放量与电力消费量的比值来计算。上海市外调电力的发电结构比例无法获得,故无法通过该方法计算电力碳排放因子。目前上海市仅发布了2010年和2022年的电力碳排放因子。本文对缺失年份的数据采用线性插值法进行估算。

1.2 能源消耗实物量计算

目前国内相关部门没有专门针对公共建筑运行阶段能源消耗实物量的统计数据。本文基于《中国能源统计年鉴》上海地区能源平衡表,采用第三产业拆分法,从第三产业能源消耗中剥离出公共建筑能源消耗实物量,其中与公共建筑能源消耗有关的为批发、零售和住宿、餐饮部门以及“其他”部门27。为了使计算结果更准确,需要扣除部分统计在公共建筑中的交通运输能源消耗。王庆一28通过对石油制品平衡表和有关行业能源消费统计数据进行研究,并经公共建筑能源核算,发现95%的汽油和35%的柴油用于交通运输。图1为公共建筑能源消耗实物量的计算结果。

图 1 2001—2020上海市公共建筑能源消耗实物量 Fig.1 Physical quantity of energy consumption in public buildings in Shanghai from 2001 to 2020
1.3 公共建筑碳排放量计算

公共建筑碳排放量主要来自能源消耗,包括化石能源消耗产生的直接碳排放量与二次能源消耗产生的间接碳排放量29。碳排放量的计算式为

$\qquad C=\displaystyle\sum _{i}\left({E}_{i} {f}_{i}\right) $ (2)

式中:C为公共建筑碳排放量,tCO2$ {E}_{i} $为能源i消耗的实物量,t(煤、液化石油气、汽油、柴油)、m3(天然气、其他煤气)、kJ(热力)、kW·h(电力)。

1.4 Kaya恒等式和LMDI模型

Kaya恒等式是1989年由日本学者首次提出30,它反映了人类活动与温室气体排放之间的关系。考虑到公共建筑的特点,将上海市公共建筑碳排放的影响因素分解为能源结构、建筑能效、经济密度的倒数、经济发展和人口规模,即

$ \qquad C=\frac{C}{E}\times \frac{E}{A}\times \dfrac{A}{G}\times \frac{G}{P}\times P $ (3)

式中:E为上海市公共建筑能耗,kg标煤;A为上海市公共建筑规模(面积),m2G为上海市第三产业生产总值(GDP),元;P为上海市常住人口数,人;C/E为碳排放系数,代表能源结构;E/A为单位面积能耗,代表建筑能效;A/G为单位面积生产总值的倒数,代表经济密度的倒数;G/P为上海市人均GDP,代表经济发展。

基于Kaya恒等式,利用LMDI分解模型31探讨碳排放量变化的深层原因,具体分解过程为

$ \Delta C=\displaystyle\sum \left({C}_{t + 1}-{C}_{t}\right) \begin{array}{c}=\Delta {C}_{{\mathrm{c}}} + \Delta {C}_{{\mathrm{e}}} + \Delta {C}_{{\mathrm{a}}} + \Delta {C}_{{\mathrm{g}}} + \Delta {C}_{{\mathrm{p}}}\end{array} $ (4)
$ \Delta {C}_{{\mathrm{c}}}=\displaystyle\sum \left[\frac{{C}_{t + 1}-{C}_{t}}{{\mathrm{ln}}{C}_{t + 1}-{\mathrm{ln}}{C}_{t}}\mathrm{ln}\left(\frac{{C}_{t + 1}{E}_{t}}{{E}_{t + 1}{C}_{t}}\right)\right] $ (5)
$ \Delta {C}_{{\mathrm{e}}}=\displaystyle\sum \left[\frac{{C}_{t + 1}-{C}_{t}}{{\mathrm{ln}}{C}_{t + 1}-{\mathrm{ln}}{C}_{t}}\mathrm{ln}\left(\frac{{E}_{t + 1}{A}_{t}}{{A}_{t + 1}{E}_{t}}\right)\right] $ (6)
$ \Delta {C}_{{\mathrm{a}}}=\displaystyle\sum \left[\frac{{C}_{t + 1}-{C}_{t}}{{\mathrm{ln}}{C}_{t + 1}-{\mathrm{ln}}{C}_{t}}\mathrm{ln}\left(\frac{{A}_{t + 1}{G}_{t}}{{G}_{t + 1}{A}_{t}}\right)\right] $ (7)
$ \Delta {C}_{{\mathrm{g}}}=\displaystyle\sum \left[\frac{{C}_{t + 1}-{C}_{t}}{{\mathrm{ln}}{C}_{t + 1}-{\mathrm{ln}}{C}_{t}}\mathrm{ln}\left(\frac{{G}_{t + 1}{P}_{t}}{{P}_{t + 1}{G}_{t}}\right)\right] $ (8)
$ \Delta {C}_{{\mathrm{p}}}=\displaystyle\sum \left[\frac{{C}_{t + 1}-{C}_{t}}{{\mathrm{ln}}{C}_{t + 1}-{\mathrm{ln}}{C}_{t}}\mathrm{ln}\left(\frac{{P}_{t + 1}}{{P}_{t}} \right)\right] $ (9)

式中:$ \Delta C $为2001—2020年上海市公共建筑碳排放量变化,tCO2$ {C}_{t} $$ {C}_{t + 1} $分别为t年(t$ \in $[2001,2019])、t + 1年碳排放量;$ \Delta {C}_{{\mathrm{c}}} $代表能源结构对碳排放量变化的影响;$ \Delta {C}_{{\mathrm{e}}} $代表建筑能效对碳排放量变化的影响;$ \Delta {C}_{{\mathrm{a}}} $代表经济密度的倒数对碳排放量变化的影响;$ \Delta {C}_{{\mathrm{g}}} $代表经济发展对碳排放量变化的影响;$ \Delta {C}_{{\mathrm{p}}} $代表人口规模对碳排放量变化的影响。

2 结果与分析 2.1 公共建筑碳排放量

2001—2020年上海市公共建筑碳排放量和能耗演变趋势如图2所示。从图可以看出,上海市公共建筑年碳排放量呈先增后减的趋势。2001—2010年是碳排放量快速增长阶段,年碳排放量平均每年增长175.12万tCO2。上海市公共建筑在该阶段的化石能源消耗逐年增加,产生的直接碳排放量处于上升阶段,同时中国在2001年加入世界贸易组织(WTO)32,经济迅速增长,产业对外开放,经济发展进入全新阶段,第三产业能源需求量增大,年碳排放量快速增加。2010年后上海市公共建筑年碳排放量增长速度放缓,2013年后碳排放量到达平台期,年碳排放量变化小幅起伏。2019—2020年受疫情影响,公共建筑用能减少,碳排放量骤降,这段时期公共建筑电气化的普及是脱碳的重要手段之一33。公共建筑电气化,其实更为准确的提法应该是公共建筑能源电力化,一方面杜绝了直接使用传统化石燃料,降低了建筑的直接碳排放量;另一方面有助于电力公司脱碳转型、电网“绿电”比例的提高和建筑自身可再生能源发电量的增加以及建筑单位用电量的碳排放比例的逐渐下降。可再生能源作为补充能源能够减少一部分建筑耗能引起的碳排放量,因此可再生能源也是未来实现建筑零碳的关键34。从经济层面上看,2010年后中国经济增速放缓,经济由快速发展转向高质量发展,公共建筑经济密度得到提升,公共建筑能耗得以降低。按照GB50189—2005《公共建筑节能设计标准》设计的建筑项目一般在2008年左右竣工,建筑整体投入并正常使用在2010年后。这也是2010年后上海市公共建筑领域碳排放量增速放缓的一个主要原因。单位面积碳排放量这一指标能够反映上海市公共建筑碳排放强度。从图2(a)可以看出,2001—2010年碳排放强度偏高,公共建筑用能需求大,建筑节能运行意识不高。2010—2020年碳排放强度逐年下降,虽然公共建筑规模仍保持增长趋势,但建筑的节能改造、可再生能源的利用,对上海市公共建筑碳排放强度的抑制作用逐渐增强。2001—2020年,单位面积碳排放量降幅达60.17%,证明上海市公共建筑领域节能减排效果显著。

图 2 2001—2020年上海市公共建筑碳排放量和能耗演变趋势 Fig.2 Evolution trend of carbon emissions and energy consumption of public buildings in Shanghai from 2001 to 2020
2.2 上海市公共建筑影响因素分析

基于计算得到的上海市公共建筑碳排放量与能耗数据,结合统计年鉴的数据,利用LMDI分解模型计算各影响因素对碳排放量变化的贡献量和累计贡献量,结果分别如图34所示。

图 3 各影响因素对碳排放量变化的贡献量 Fig.3 Contribution of various influence factors to the changes in carbon emissions

图 4 各影响因素对碳排放量变化的累计贡献量 Fig.4 Cumulative contribution of various influence factors to the changes in carbon emissions

图3可以看到,大多数情况下,人口规模始终对碳排放量的增加表现出轻微推动作用。2014年后人口规模的变化幅度减小,其对碳排放量变化的贡献量也显著降低。经济发展对碳排放量的增加表现出强烈的促进作用。经济密度的倒数基本上对碳排放量的增加表现为抑制作用,经济密度越高,产生相同的经济效益所消耗的能源更少,碳排放量越低。建筑能效表示建筑使用过程的能源利用效率,其对碳排放量的增加基本上表现为抑制作用。能源结构反映了上海市公共建筑不同能源消费比例对碳排放量变化的影响,其对碳排放量的增加基本上表现为抑制作用。

图4可以看到,2001—2020年上海市公共建筑领域年碳排放量增加了1 434.67万 tCO2,其中经济发展对碳排放量变化的贡献量为4 815.52万 tCO2,贡献率高达336%;人口规模对碳排放量变化的贡献量为894.53万 tCO2,贡献率为62%;经济密度的倒数为碳排放量增加的主要抑制因素,共减少了1 726.9万 tCO2碳排放量,贡献率为−120%;能源结构和建筑能效分别减少了1 314.36万 tCO2和1 225.13万 tCO2碳排放量,贡献率分别为−92%和−85%。

中国每五年制定一个国民经济和社会发展规划,及时总结并制定下一步发展目标。以每五年作为一个区间,将2001—2020年平均分为4个阶段,分别为第一阶段(2001—2005年)、第二阶段(2006—2010年)、第三阶段(2011—2015年)和第四阶段(2016—2020年)。

图5为各影响因素对上海市公共建筑碳排放量的阶段性贡献量。经济发展在任何阶段都是推动碳排放量增长的主导因素,并且碳排放量与经济发展速度有很大的相关性。2001—2005年是中国加入WTO的起步阶段,第三产业经济发展水平受限,对碳排放量增长的影响相对较弱,其增加了688.98万 tCO2碳排放量。第二和第三阶段是第三产业经济快速发展阶段,经济发展对碳排放量的促进作用明显增强。第四阶段是中国经济由高速发展转变为高质量发展的关键时期,更加注重追求经济发展质量,因此对碳排放量增长的促进作用放缓。这也意味着上海市公共建筑领域将走向低排放、高质量发展的阶段。

图 5 各影响因素阶段性贡献量 Fig.5 Periodized contribution of each influence factor

人口规模是指常住人口变化对碳排放量的影响。碳排放量与人的行为活动有着密不可分的关系,故上海市常住人口的变化直接影响碳排放量的高低。人口规模对碳排放量的贡献量呈现先增后减的趋势。第四阶段随着上海市常住人口趋于稳定,该因素对碳排放量的推动作用不再明显。

建筑能效对碳排放量的影响很大程度受到上海市建筑节能减排政策的干预,且建筑施工有一定的周期,故各阶段公共建筑节能设计标准的实施对整体碳排放的影响存在延迟性。第一阶段公共建筑体量增长慢,建筑用能需求不高,建筑能效抑制了129.43万 tCO2碳排放量。第二阶段是上海市实施公共建筑节能设计标准的起步阶段,标准实施的效果受到建筑施工周期的影响还未充分显现,同时公共建筑规模增速加快,该阶段建筑能效反而轻微推动了299.64万 tCO2碳排放量。第三阶段和第四阶段随着建筑节能扶持办法的发布和2012年、2015年上海市公共建筑节能设计标准的完善,老旧建筑的节能改造和新建建筑的节能设计得到鼓励,建筑能效重新扩大对碳排放量的抑制作用。

能源结构对碳排放量的影响是指不同能源使用比例对碳排放量的影响。分析各阶段能源结构对碳排放量的抑制作用可以发现,上海市公共建筑能源结构呈现低碳化趋势,能源结构对碳排放量的抑制作用逐渐增强。一方面公共建筑中煤炭、柴油等传统化石能源的消费占比下降,电力消费占比大幅上升;另一方面可再生能源作为辅助能源分担了部分用能需求。

为了符合Kaya恒等式的要求,同时考察公共建筑规模和第三产业经济的关系对碳排放量的影响,本文引入经济密度的倒数这一指标。该指标对碳排放量的增加始终表现为抑制作用,经济密度越高对碳排放量的抑制效果越强,且在第二阶段与第三阶段对碳排放量的抑制作用最强,分别抑制了748.47万 tCO2和570.36万 tCO2碳排放量。

3 结论与减排建议

采用排放因子法计算出2001—2020年上海市公共建筑碳排放总量,利用Kaya恒等式和LMDI分解模型对能源结构、建筑能效、经济密度的倒数、经济发展和人口规模的影响效果进行了量化研究。主要结论为:

(1) 2001—2010年上海市公共建筑年碳排放量处于快速增长阶段,2010年后碳排放量增长速度放缓,2013年后到达平台期,年碳排放量呈现起伏变化。

(2) 根据LMDI模型分解结果,2001—2020年上海市公共建筑碳排放量的主要驱动因素是经济发展和人口规模,对碳排放量变化的贡献量分别为336%和62%。经济密度的倒数、能源结构和建筑能效对上海市公共建筑碳排放量变化表现抑制作用,对碳排放量变化的贡献率分别为−120%、−92%和−85%。

根据本文的研究结果,结合上海市公共建筑的实际情况,提出以下的减排策略:

(1) 持续优化能源结构,减少对化石能源的依赖,增加清洁能源和可再生能源的利用,逐步使可再生能源从保障性能源走向主体能源。充分利用公共建筑屋顶资源,推动建筑光伏一体化工程。上海市的地质状况具有良好的地热能传导条件,未来浅层地热能在公共建筑中的利用将有助于上海市能源结构的调整,进一步缓解公共建筑碳排放压力。

(2) 目前上海市在建筑节能方面取得的成果相当显著。建筑能效是抑制上海市公共建筑碳排放量增长的主要影响因素。提高建筑能效主要从围护结构保温性能和建筑设备效率两方面着手。鼓励对热工性能差的外窗、外墙、屋顶等围护结构进行保温改造,采用高效的室内供热、供冷和节能的照明设备,优化监测和控制手段。完善建筑节能改造资金扶持机制,推进建筑节能标准规范在设计和施工中的贯彻执行。

(3)第三产业经济发展无疑是促进上海市公共建筑领域碳排放量增长最重要的影响因素。经济发展不可避免地导致碳排放量的增加,但为了降低碳排放量而牺牲经济发展是不可取的,提升第三产业经济密度能够平衡经济发展和碳排放量的关系。

参考文献
[1]
YOU K R, REN H, CAI W G, et al. Modeling carbon emission trend in China's building sector to year 2060[J]. Resources, Conservation and Recycling, 2023, 188: 106679. DOI:10.1016/j.resconrec.2022.106679
[2]
ARIOĞLU AKAN M Ö, DHAVALE D G, SARKIS J. Greenhouse gas emissions in the construction industry: An analysis and evaluation of a concrete supply chain[J]. Journal of Cleaner Production, 2017, 167: 1195-1207. DOI:10.1016/j.jclepro.2017.07.225
[3]
MA M D, MA X, CAI W G, et al. Carbon-dioxide mitigation in the residential building sector: a household scale-based assessment[J]. Energy Conversion and Management, 2019, 198: 111915. DOI:10.1016/j.enconman.2019.111915
[4]
GUO S Y, JIANG Y, HU S. The pathways toward carbon peak and carbon neutrality in China's building sector[J]. Chinese Journal of Urban and Environmental Studies, 2022, 10(2): 2250011. DOI:10.1142/S2345748122500117
[5]
中国建筑节能协会建筑能耗与碳排放数据专委会. 2022中国建筑能耗与碳排放研究报告[R]. 重庆: 中国建筑节能协会建筑能耗与碳排放数据专委会, 2022.
[6]
YANG P J, PENG S, BENANI N, et al. An integrated evaluation on China's provincial carbon peak and carbon neutrality[J]. Journal of Cleaner Production, 2022, 377: 134497. DOI:10.1016/j.jclepro.2022.134497
[7]
HUANG R, ZHANG S F, WANG P. Key areas and pathways for carbon emissions reduction in Beijing for the “Dual Carbon” targets[J]. Energy Policy, 2022, 164: 112873. DOI:10.1016/j.enpol.2022.112873
[8]
李军祥, 刘艳丽, 何建佳, 等. 考虑绿证和碳排放权交易的电力市场协同减碳效应与仿真[J]. 上海理工大学学报, 2024, 46(4): 464-474.
[9]
ZHAO Q F, GAO W J, SU Y, et al. Carbon emissions trajectory and driving force from the construction industry with a city-scale: a case study of Hangzhou, China[J]. Sustainable Cities and Society, 2023, 88: 104283. DOI:10.1016/j.scs.2022.104283
[10]
李文琦, 孙伟卿, 杨文威. 考虑碳交易及需求响应的虚拟电厂运行优化策略[J]. 上海理工大学学报, 2024, 46(5): 484-493.
[11]
孙培锋, 陆启亮, 鲍佳麒, 等. 县级市碳达峰碳中和规划案例分析[J]. 能源研究与信息, 2023, 39(4): 214-221,241.
[12]
HE J H, YUE Q, LI Y, et al. Driving force analysis of carbon emissions in China's building industry: 2000-2015[J]. Sustainable Cities and Society, 2020, 60: 102268. DOI:10.1016/j.scs.2020.102268
[13]
GONG Y Y, SONG D Y. Life cycle building carbon emissions assessment and driving factors decomposition analysis based on LMDI−a case study of Wuhan City in China[J]. Sustainability, 2015, 7(12): 16670-16686. DOI:10.3390/su71215838
[14]
LIU Y X, JIANG Y J, LIU H, et al. Driving factors of carbon emissions in China's municipalities: a LMDI approach[J]. Environmental Science and Pollution Research, 2022, 29(15): 21789-21802. DOI:10.1007/s11356-021-17277-w
[15]
YANG P G, LIANG X, DROHAN P J. Using Kaya and LMDI models to analyze carbon emissions from the energy consumption in China[J]. Environmental Science and Pollution Research, 2020, 27(21): 26495-26501. DOI:10.1007/s11356-020-09075-7
[16]
黄蓓佳, 崔航, 宋嘉玲, 等. 上海市建筑碳排放核算研究[J]. 上海理工大学学报, 2022, 44(4): 343-350.
[17]
潘毅群, 魏晋杰, 汤朔宁, 等. 上海市建筑领域碳中和预测分析[J]. 暖通空调, 2022, 52(8): 18-28.
[18]
ANG B W. LMDI decomposition approach: a guide for implementation[J]. Energy Policy, 2015, 86: 233-238. DOI:10.1016/j.enpol.2015.07.007
[19]
李中杰, 张大为, 郑一新. 昆明市能源消费碳排放变化的因素分解及对策研究[J]. 能源研究与信息, 2013, 29(3): 125-130, 135. DOI:10.3969/j.issn.1008-8857.2013.03.001
[20]
YANG J, CAI W, MA M D, et al. Driving forces of China's CO2 emissions from energy consumption based on Kaya-LMDI methods[J]. Science of the Total Environment, 2020, 711: 134569. DOI:10.1016/j.scitotenv.2019.134569
[21]
HE Y, XING Y T, ZENG X C, et al. Factors influencing carbon emissions from China's electricity industry: analysis using the combination of LMDI and K-means clustering[J]. Environmental Impact Assessment Review, 2022, 93: 106724.
[22]
胡梦泽, 赵耀. 基于Tapio脱钩和LMDI模型的传统工业城市工业碳排放问题[J]. 中阿科技论坛, 2023(9): 31-37.
[23]
GAN L, LIU Y, SHI Q W, et al. Regional inequality in the carbon emission intensity of public buildings in China[J]. Building and Environment, 2022, 225: 109657. DOI:10.1016/j.buildenv.2022.109657
[24]
RASHEED R, TAHIR F, AFZAAL M, et al. Decomposition analytics of carbon emissions by cement manufacturing - a way forward towards carbon neutrality in a developing country[J]. Environmental Science and Pollution Research, 2022, 29(32): 49429-49438. DOI:10.1007/s11356-022-20797-8
[25]
谭春平, 范莉莉, 王烨. 甘肃城镇住宅建筑碳排放因素分解模型及实证[J]. 统计与决策, 2014(7): 109-111.
[26]
陈定艺. 基于LMDI模型的福建省建筑领域碳排放影响因素研究[J]. 福建建筑, 2022(6): 145-148.
[27]
上海市发展和改革委员会. 上海市旅游饭店、商场、房地产业及金融业办公建筑温室气体排放核算与报告方法[R/OL]. (2012-12-12)[2025-06-20]. https://www.doc88.com/p-1166136825544.html.
[28]
王庆一. 中国建筑能耗统计和计算研究[J]. 节能与环保, 2007(8): 9-10.
[29]
江亿, 胡姗. 中国建筑部门实现碳中和的路径[J]. 暖通空调, 2021, 51(5): 1-13.
[30]
KAYA Y. Impact of carbon dioxide emission control on GNP growth: interpretation of proposed scenarios[R]. Paris: Intergovernmental Panel on Climate Change/Response Strategies Working Group, 1989.
[31]
ANG B W. The LMDI approach to decomposition analysis: a practical guide[J]. Energy Policy, 2005, 33(7): 867-871. DOI:10.1016/j.enpol.2003.10.010
[32]
LIAO L, YU M Y. Impact of the WTO on China's rule of law in trade: twentieth anniversary of the WTO[J]. Journal of World Trade, 2015, 49(5): 837-872.
[33]
FOURNIER E D, FEDERICO F, CUDD R, et al. Net GHG emissions and air quality outcomes from different residential building electrification pathways within a California disadvantaged community[J]. Sustainable Cities and Society, 2022, 86: 104128. DOI:10.1016/j.scs.2022.104128
[34]
LÜ X S, LU T, KARIRINNE S, et al. Renewable energy resources and multi-energy hybrid systems for urban buildings in Nordic climate[J]. Energy and Buildings, 2023, 282: 112789. DOI:10.1016/j.enbuild.2023.112789