2024, Vol. 45
2. 云南师范大学经济与管理学院, 昆明 650500
2. College of Economics and Management, Yunnan Normal University, Kunming 650500, China
在全球气候变暖背景下, 绿色低碳发展成为世界各国普遍关注的重要议题.为应对气候变化, 中国承诺力争2030年前碳排放达到峰值, 2060年前实现碳中和（“双碳”目标）[1].在气候雄心峰会上, 习近平总书记宣布了国家自主贡献新目标, 即到2030年单位国内生产总值碳排放将比2005年下降65%以上[2], 并对各行各业发展提出了新要求.行业是碳排放的主要源头, 其生产过程中释放的CO2约占能源消耗碳排放总量的84%[3, 4].碳减排目标的实现不仅需要发挥各地区的协同效应[5], 更需要关注各行业在碳减排中的重要作用.作为碳减排政策的具体实施者, 行业的减排效果在很大程度上决定“双碳”目标能否如期实现.而如何有效控制或减少碳排放是各行业发展所面临的现实挑战[6], 也是当前政界和学界广泛关注的热点.因此, 开展行业碳排放研究有助于精准识别碳减排政策着力点, 提高减排措施的针对性和实施效果.
碳排放核算是了解各行各业碳排放情况的重要手段, 厘清不同行业的碳减排责任有助于清晰、明了的掌握行业间的碳排放差异.从责任分配视角来看, 生产者责任、消费者责任是减排任务分配的重点.生产者责任遵循“污染者付费原则”, 即生产活动产生的碳排放属于经济活动导致的外部性, 该部分责任由生产者承担[7]；消费者责任原则由消费者对使用的能源、产品和服务隐含碳排放买单.基于生产者和消费者责任分配原则, 学者们围绕单一行业和整体行业开展碳排放核算.当前, 绝大部分研究只考虑了行业生产过程中因能源消耗而产生的碳排放, 即仅关注生产者责任[8 ~ 10].少量研究则同时考虑到行业的生产者责任和消费者责任, 不仅核算国内生产最终产品的能源消耗碳排放, 而且核算了因中间投入导致的碳排放, 即完全碳排放[11 ~ 13].但上述研究中, 有关行业碳排放的核算未区分中间投入和最终产出所包含的国内使用产品和进口产品, 进口产品不消耗本国国内能源, 若将其隐含碳排放考虑在内, 则会使得碳排放量出现偏差.故国内行业碳排放核算需消除进口产品和服务产生的影响.
此外, 有关行业碳排放的研究主要集中在行业碳排放影响因素[14, 15]、碳排放结构[16, 17]、碳排放效率[18, 19]、碳排放配额分配[20, 21]、碳排放脱钩[22, 23]、碳排放预测[24, 25]、碳减排技术和工艺[26, 27]和具体细分行业达峰路径[28, 29]等方面.但各行业并非孤立存在的, 不同行业在生产、分配和交换过程中的能源消耗碳排放, 以及中间产品和服务引致的隐含碳排放会通过产品贸易的方式转移到其他地区和其他行业.换言之, 碳转移并非污染物的直接跨区域和跨行业流动, 而是借助复杂的生产消耗关系在产品生产地和消费地、提供中间产品和最终产品的行业之间转移的现象.这种转移活动在貌似合理的“比较优势”和“自由贸易”原则下进行, 具有较强的隐蔽性[30].当前, 已有部分研究关注到细分行业碳排放的转移问题.这些研究主要集中于国家间和区域间的产品和贸易往来[31 ~ 33], 即关注碳排放区位转移问题.而针对产业生产关联导致的行业间碳排放转嫁效应和规律的研究相对匮乏, 尤其是缺乏对CO2在不同行业流动形成的网络形态和结构演化特征的探讨.如何科学揭示这种网络结构特征对合理制定重点行业碳减排政策具有重要意义.
相较于现有研究, 本文的创新之处在于：①在行业碳排放核算过程中, 将传统投入产出表改编为区分国内产品和进口产品中间投入的非竞争型投入产出表, 提高国内行业完全碳排放核算精度, 可进一步降低误差；②关注中国行业碳转移网络形态、关键路径和结构特征, 并揭示CO2跨行业流动的复杂网络关系, 试图弥补已有研究对行业碳排放转嫁效应、规律关注不足的现状.鉴于此, 本研究从责任分配视角入手, 采用非竞争型投入产出法和社会网络分析方法, 全面核算国内行业碳排放量和转移量, 构建行业碳转移的加权有向网络模型, 全面刻画2005~2020年中国28个行业碳转移网络时序演化特征, 拓扑结构上的复杂性、集聚性和等级层次性, 通过揭示中国行业碳排放动态变化及网络结构演化特征, 以期为制定跨行业协同减排规划提供更加丰富、详实的科学依据.
1 材料与方法 1.1 研究方法 1.1.1 行业碳排放核算（1）碳排放系数法 能源化石燃料是行业发展的主要动力, 现有研究通常以行业能源消耗量来核算碳排放.本文选取19种行业发展所需的关键能源, 采用自下而上的IPCC碳排放系数法核算行业直接碳排放, 表达式为：
|
(1) |
式中, DCEi为行业i的直接碳排放量；Eik为行业i中第k种能源的消费量；EFik为行业i中第k种能源的碳排放系数；NCVk、CCk和COFk分别为第k种能源的净发热值（平均低位发热值）、单位热值含碳量和碳氧化率；44/12为含碳量转换系数；k为能源种类, 19种能源类型的碳排放系数见表 1和表 2.根据生产者责任原则, 电力和热力仅为能源类型转换行业, 并非能源实际使用者.因此, 文中依据“电（热）分摊”原则, 将每年火力发电和供热产生的碳排放分摊至使用电力和热力的行业[34, 35], 以保证核算结果的科学性和合理性.
|
表 1 各能源类型的碳排放系数1） Table 1 Carbon emission coefficient for each energy type |
|
|
表 2 2005~2020年电力热力碳排放系数1） Table 2 Carbon emission coefficient for electricity and heat from 2005 to 2020 |
（2）非竞争型投入产出法 行业产品生产过程中, 不仅消耗化石能源, 还需要使用一定数量的其它行业生产的产品作为中间投入[34]. 为消除中间投入中进口部分产生的影响, 本文按照“比例等同法”[7], 假定传统投入产出表中进口产品等比例用于中间投入和最终产出, 则有进口产品中间投入与中间投入之比等于进口产品最终需求与最终需求之比, 经反复推导后可得到不同行业国内产品和进口产品的中间投入、最终产出, 编制非竞争型投入产出表, 进而计算国内行业的完全碳排放、碳转移量.
在水平方向上, 非竞争型投入产出表存在两组均衡方程式：
|
(2) |
|
(3) |
式中, Xi和Mi分别为行业i的国内产品最终产出和进口产品最终产出；；xijd和xijf分别为行业i消耗行业j的国内产品中间投入和进口产品中间投入；Yid和Yif分别为行业i的国内产品最终需求、进口产品最终需求.两组方程式的矩阵形式为：AdX + Yd = X；AfX + Yf = M, 可进一步表达为：
|
(4) |
|
(5) |
式中, Ad和Af分别为国内产品直接消耗系数矩阵和进口产品直接消耗矩阵；(I - A )-1为国内产品Leontief逆矩阵, 即Ld.
行业完全碳排放可计算为：
|
(6) |
式中, TCEj为行业j的完全碳排放量, 即行业j生产最终产品Yid消耗的能源碳排放以及其他行业中间投入碳排放；DCIi为行业i的直接碳排放强度, 即行业i的单位总产出的直接碳排放系数.
（3）行业碳转移网络构建 为进一步了解碳排放如何在不同行业之间转移, 本文参考吕康娟等[34]和Jiang等[36]研究成果将完全碳排放进行分解, 以28个行业作为网络节点、碳转移路径为连接节点的边、碳转移量为权重, 构建行业碳转移关联网络.具体如下：
|
(7) |
社会网络分析是以“关系数据”为基础的分析方法[37], 能反映网络成员之间的关联结构、属性特征.本文采用社会网络分析全面刻画中国行业碳转移网络结构演化特征.
（1）网络复杂性测度模型 研究采用网络密度、平均路径长度、平均集聚系数、度中心性和强度中心性等构建网络复杂性测度模型, 以揭示行业碳转移网络时序演化特征.网络密度用于衡量网络整体的完备程度；平均路径长度为所有最短路径之和的平均值, 用于衡量碳转移网络中各行业之间的可达性程度；平均集聚系数是节点与邻接点之间的实际边数与最大可能边数比值, 用于衡量行业碳排放的集聚程度；度中心性用于衡量行业碳转移复杂网络节点间的连接程度, 分为出度中心性、入度中心性；强度中心性是与某一行业连接的所有边的权重总和.模型中各项指标的具体计算公式依据参考文献[38 ~ 40].
（2）网络结构判定模型 社团结构表示在行业碳转移网络中, 依据不同行业联系的紧密程度, 把行业节点归纳到不同社团, 形成多个小团体.一般而言, 社团内部各行业联系紧密, 社团间的联系相对稀疏.为判定行业碳转移网络社团结构特征, 本文采用了模块度作为衡量标准, 表达式为：
|
(8) |
式中, Q为模块度, 其实际值一般在0.300~0.700之间；m为碳转移路径形成的有向边数量；aij为碳转移网络邻接矩阵；hi和hj分别为行业i和行业j的度值；Ti和Tj分别为行业i和行业j所属社团.若行业i与行业j同属一个社团, δ(Ti, Tj)为1, 反之则为0.由于部分行业碳排放量相对较少, 与别的行业碳转移关联微弱, 为保证结果清晰直观, 参考Liang等[41]和余娟娟等[42]研究设置的门槛, 忽略转移量小于1 Mt的流动路径.
核心-边缘结构是由网络节点组成的一种中间紧密、边缘疏散的结构, 常用于判断节点位置, 揭示核心区和边缘区成员之间的动态关联关系.为定量识别28个行业碳排放的网络地位, 本文将行业间的连通度均值作为截断值, 构建核心-边缘结构矩阵, 其结构判定模型可表达为：
|
(9) |
式中, ϑ为行业节点的核心度；μij为理想模式矩阵, 用来反映行业节点处于核心还是边缘位置.
1.2 数据来源与处理研究数据来源于2005~2020年《中国投入产出表》《中国能源统计年鉴》《2016年IPCC国家温室气体清单指南（2019年修订版）》《省级温室气体清单编制指南》.因不同年份的工业分行业终端能源消费、能源平衡表和投入产出表行业分类标准不一致, 综合考虑后, 本文将国民经济行业分类进行合并, 重新划分为互相匹配的28个行业, 具体类型如表 3所示.
|
|
表 3 国民经济行业划分 Table 3 Classification of the national economy industrial sectors |
2 结果与讨论 2.1 行业碳排放动态变化特征 2.1.1 行业直接碳排放动态变化
运用IPCC碳排放清单法核算能源消耗产生的直接碳排放, 得到2005~2020年中国行业直接碳排放总量及不同行业碳排放量动态变化趋势.
从排放总量变化情况来看（图 1）, 中国行业直接碳排放呈现逐年递增趋势, 碳排放量从2005年的4 053.719 Mt增加至2 020年的8 150.600 Mt, 总体实现翻番.就其增长走势而言, 可分为2个阶段：2005~2015年为快速增长时期, 该时期受化石能源消费发展模式影响, 直接碳排放量大幅增加, 换言之, 经济增长奇迹以牺牲环境为代价换取；2015~2020年为增量放缓时期, 该阶段气候变化问题严峻, 各行业普遍认识到温室气体排放持续增加对环境的危害, 逐渐转变发展模式.
|
图 1 2005~2020年中国行业直接碳排放总量 Fig. 1 Total industrial direct carbon emission in China from 2005 to 2020 |
从行业内部来看（图 2）, 2005~2020年碳排放量增长的行业数有27个, 仅煤炭开采和洗选业（D2）实现了能源消耗碳排放量的下降.究其原因, 一方面, 随着煤炭资源的减少, 可再生能源应用推广, 其开采量下降；另一方面, 煤炭企业煤矿采、掘机械化程度提高, 自动化综采技术逐步推广, 能源开采利用率提高, 该行业能源消耗量下降, 碳排放量自然减少.与此同时, 直接碳排放量在行业间存在较大差异.金属冶炼及压延加工业（D14）、化学工业（D12）直接碳排放量大, 2020年为3 543.925 Mt, 占行业排放总量的43.480%；其次为交通运输、仓储业和邮政业（D26）, 非金属矿物制品业（D13）, 其他行业（D28）, 石油、煤炭及其他燃料加工业（D11）, 电力、热力生产和供应业（D22）, 排放量为2 816 Mt, 占排放总量的34.550%.这也说明碳排放来源较为集中, 少数以能源消耗为主的行业是碳排放主力军.而仪器仪表制造业（D20）的能源消耗碳排放量最低, 仅为4.524 Mt, 这也表明随着生产工艺的提高, 高精尖设备制造消耗的能源少, 产品稳定性高, 碳排放量少.
|
图 2 2005~2020年行业间直接碳排放变化 Fig. 2 Variations in direct carbon emissions between industries from 2005 to 2020 |
2005~2020年中国行业完全碳排放总体增长趋势明显, 碳排放量从2005年的4 745.032 Mt增加至2020年的13 499.643 Mt, 15年间排放量翻了2.800倍. 2020年超过亿吨的行业数有15个, 其碳排放量占行业完全碳排放总量的97%, 说明高碳排行业数量多, 产品从原材料获取、加工、运输, 到成为其他行业购买的中间产品、再加工为成品的整个生产过程中会产生大量的CO2.2020年完全碳排放量排名前十的行业中, 其他行业（D28）, 交通运输、仓储业和邮政业（D26）, 批发、零售业和住宿、餐饮业（D27）, 化学工业（D12）, 食品制造及烟草加工业（D6）, 农、林、牧、渔、水利业（D1）等6个行业也是直接碳排放量排名靠前的行业, 余下4个行业与这些行业关联性较高, 表明行业发展对化石能源依赖大, 彼此间联系紧密的行业, 碳排放出现俱乐部效应, 存在碳排放趋同现象.反观, 煤炭、石油、天然气、金属和非金属矿物等化石能源开采、加工行业的完全碳排放量比重低, 囿于其对原料的特殊需求, 对能源种类和能耗需求较为固定, 故行业隐含碳较少.对于这类行业而言, 化石能源开采量是有限的, 需通过提高能源利用率、降低直接碳排放来实现行业碳减排（表 4）.
|
|
表 4 2005~2020中国行业完全碳排放/Mt Table 4 Industrial complete carbon emissions in China from 2005 to 2020/Mt |
2.2 行业碳转移网络结构演化特征 2.2.1 行业碳转移网络时序演化
从碳减排责任来看, 碳排放已打破地理区位限制, 在行业间相互流动, 形成无孤立点的有向空间关联复杂网络形态.结合网络复杂性特征量统计可知（表 5）, 2005~2020年行业碳转移网络规模不断扩大. 28个行业间的碳转移网络关系流从2005年的710增加到2020年的784, 网络密度从0.939增加至1.037, 单一行业平均联系的行业数量从25.357增加至28, 表明15年来碳转移网络关系逐渐紧密, 各行业间的空间关联得到加强, 网络结构凝集力逐渐提升, 具有较高的网络连通性.
|
|
表 5 2005~2020年行业碳转移网络复杂性特征量统计 Table 5 Statistics on the complexity of industrial carbon transfer network in China from 2005 to 2020 |
同时, 碳转移网络平均加权度从216.237迅速增加到362.889, 表明行业间碳转移量不断增加.网络直径从2减少为1, 网络平均路径长度从1.063减少至1, 表明CO2从一个行业流动到另一行业需要经过的路径长度缩减, 行业碳转移网络的可达性提高.平均集聚系数从0.906提高到1, 说明网络集聚性不断增强, 各行业之间普遍存在碳排放关联效应.行业碳转移网络中较大的集聚系数和较短的平均路径长度符合小世界网络性质, 部分行业碳排放量变化将导致整个网络的集聚性改变[43].
综上, 中国行业碳转移网络拓扑结构稳定、通达性高且小世界性质凸显.改变部分行业的碳转移量易对整个网络产生影响, 进而改变行业碳排放总量.
2.2.2 行业碳转移网络社团结构演化根据行业碳转移网络关系模式, 采用社团结构判定模型进行碳转移网络社团结构分析.结果显示行业碳转移网络社团分化明显.2005年和2020年碳转移网络模块度分别为0.303和0.330, 且不同年份下属社团密度均高于整体网络, 符合划分标准, 可分为4个最优社团（图 3）.
|
以顺时针方向为CO2流动指向；节点大小与加权入度中心性成正比, 边粗细与碳转移量正相关 图 3 2005~2020年中国行业碳转移网络社团结构 Fig. 3 Community structure of industrial carbon transfer network in China from 2005 to 2020 |
2005年, 以建筑业为核心的10个行业构成了社团Ⅰ, 社团成员不仅碳排量大, 而且处于产业体系下游, 需要众多行业为其提供中间产品[44], 对其他社团CO2的吸收量远高于溢出量, 是以制造业为主的典型“高碳排”凝聚子群.这与Xia等[45]研究的结论一致, 建筑业和其他行业等是碳流的主要目的地, 能通过产业链转移吸收大量的CO2.社团Ⅱ是以交通运输、仓储业和邮政业为核心, 与燃气生产和供应业, 造纸印刷及文教用品制造业, 水的生产和供应业共同构成的一个“碳传导”凝聚子群, CO2“双向溢出”效应明显, 其“经纪人属性”在推动跨行业协同减排的经济活动中发挥着重要作用[46], 内部成员节能减排也就成为减少CO2的有效方式.社团Ⅲ以满足居民生活消费的轻工业为主, 包含食品制造及烟草加工业, 农、林、牧、渔、水利业, 服装皮革羽绒及其制品业, 纺织业和木材加工及家具制造业等5个行业, CO2多源于内部成员生产活动, 社团间传导效应不明显, 是典型的“碳内生”凝集子群.产业规模扩大成为该社团碳排放量增加的主要拉动因素[47, 48].社团Ⅳ以化学工业和金属冶炼及压延加工业为核心, 相似的行业性质, 强大的物质、能源生产资料消耗凝聚了非金属矿采选业及其他采矿业, 石油和天然气开采业, 石油、煤炭及其他燃料加工业等8个处于产业体系上游的基础性行业, 主要进行原料生产和初步加工, 将中间产品输送至下游行业的同时带来大量碳关联关系溢出[44], 成为碳转移量最多, 与其他社团联系最紧密的“高外溢”凝聚子群[图 3（a）].4个最优社团中, 社团Ⅱ和Ⅳ与社团Ⅰ形成的强关系流成为行业碳转移关键路径.
2020年, 部分行业碳排放量、转移量变化导致网络社团凝聚力改变, 关键路径数量减少, 社团结构出现整合分裂, 演化为4个新社团[图 3（b）].其中, 社团Ⅰ仍是碳排放量最大的凝聚子群, 但成员数量下降为7个, 表明少数行业的网络性质改变, 已脱离“高碳排”行列.交通运输、仓储业和邮政业, 化学工业, 批发、零售业和住宿、餐饮业, 水的生产和供应业等4个行业整合为社团Ⅱ, 表明社团Ⅱ与其他社团的产品服务交换密切, 更多行业在碳转移网络中具备“经纪人属性”.社团Ⅲ碳排放量增加、凝聚力上升, 其他行业分裂重组为该社团的核心, 燃气生产和供应业、造纸印刷及文教用品制造业成为社团新成员.最终需求规模扩张是促进碳排放量增加的因素[49], 碳减排不仅需要聚焦重点行业和领域, 还需要关注与居民生活消费紧密相关的行业.社团Ⅳ仍是碳溢出规模最大、与其他社团联系最紧密的重工业凝聚子群, 但其他制造业取代化学工业成为该社团新成员, 社团Ⅳ的碳溢出量减少, 外溢作用减弱.当社团成员受到不同程度的转型冲击时, 提高行业生产效率将对其他部门产生连锁影响[50], 削弱CO2向产业链中下游行业转移强度.
总体而言, 行业碳转移网络路径存在显著的空间关联和溢出效应, 但不存在“马太效应”, 行业协同发展现象明显, 形成相对稳定、紧密的网络社团结构, 且社团间联系密切, 有利于碳减排工作的整体推行.
2.2.3 行业碳转移网络核心-边缘结构演化行业碳转移网络非均衡性特征明显, 存在等级森严的核心-边缘结构.根据行业间的关系模式和碳转移强度, 该网络可划分为核心、强半边缘、弱半边缘和边缘这4个圈层（图 4）, 且各圈层间具有明显的更迭过程.
|
以逆时针方向为CO2流动指向；节点大小与加权入度中心性成正比, 边粗细与碳转移量正相关 图 4 2005~2020年中国行业碳转移网络核心-边缘结构 Fig. 4 Core-periphery structure of industrial carbon transfer network in China from 2005 to 2020 |
2005年, 建筑业、金属冶炼及压延加工业处于核心位置, 这2个行业之间存在较强的关系流, 属于核心行业.核心行业为维持自身的生产和服务, 需依赖大量高能耗产品输入, 其碳吸收能力明显强于碳辐射能力, 是典型的高碳排行业[51].通用、专用设备制造业, 通信设备、计算机和其他电子设备制造业, 其他行业等5个行业处于强半边缘位置, 行业之间不仅存在密切的碳转移, 而且与核心行业存在中间产品供应关系, 但相较于核心行业内部的关系流仍较弱.非金属矿物制品业、化学工业和金属制品业等8个行业属于弱半边缘行业, CO2主要随着中间产品供应强度流向核心行业和强半边缘行业, 同时也吸收边缘行业的CO2.这也表明半边缘行业（强、弱）在碳转移网络中展现出较强的“桥梁”作用, 在行业协同减排过程中, 合理控制半边缘行业碳排放, 能有效阻断这些行业与其他部门之间的碳关联, 从而达到整体减排的效果[44].而石油和天然气开采业, 煤炭开采和洗选业, 农、林、牧、渔、水利业等13个行业处于边缘位置, 表明这些行业位于产业链上游, 碳流入量较少, 彼此间的联系弱, CO2主要通过粗放高能耗的初级产品供应流至核心和半边缘行业, 通常以较大的能源消耗换取较少的经济产出, 造成碳溢出效应[图 4（a）].
2020年, 行业碳转移网络核心-边缘结构相较于2005年出现明显更迭过程[图 4（b）].主要体现在两个方面：一是各圈层位置上行业节点数量保持不变, 但部分行业碳排放量及其所处位置发生较大变化.建筑业碳排放量增加, 与金属冶炼及压延加工业共同组成稳定的双核心行业, 在完善碳减排政策时应优先考虑.而化学工业, 非金属矿物制品业, 交通运输、仓储业和邮政业等3个行业从弱半边缘行业上升为强半边缘行业, 表明这3个新增的强半边缘行业与核心行业之间产生了更多更强的联系.交通运输设备制造业, 电气机械及器材制造业, 通信设备、计算机和其他电子设备制造业等3个行业从强半边缘行业降为弱半边缘行业；金属矿采选业从边缘行业跃升为弱半边缘行业.这意味着行业之间的碳关联关系不断增强, 更多的行业在碳转移网络中扮演“中间商”角色, 能通过较高的链接效率带动核心、强半边缘和边缘行业协同减排.仪器仪表制造业降为边缘行业, 表明该行业碳排放量减少, 与其他圈层位置上的行业联系强度减弱.二是4个圈层之间的网络复杂性明显增强.核心圈层内部行业之间以及与其他3个圈层行业之间的关系流明显增加, 核心行业的发展离不开经济体系中各部门的支持.通用、专用设备制造业, 其他行业等2个强半边缘行业与其余26个行业间的碳转移关系网更加密集, 碳转移路径增加；金属制品业, 交通运输设备制造业, 电气机械及器材制造业, 通信设备、计算机和其他电子设备制造业, 批发、零售业和住宿、餐饮业等5个弱半边缘行业与边缘行业之间碳转移关系流数量、碳转移量明显增加；边缘行业与核心行业网络联通度增强, 碳流入量增加.结合当前形势不难发现, 中国经济增长和社会发展推动了城镇化进程, 导致对住房、学校、医院、城市配套设施等基础设施建设需求的增加, 从而带动了上述行业的快速发展[45], 加速CO2跨行业流动.
总体而言, 化石能源消耗量大、中间产品需求量大的行业, 产生的CO2多处于核心圈层, 反之则处于边缘圈层.且各圈层行业间的碳转移存在双向流动关系, 边缘行业的CO2不仅流向所处圈层内部行业, 还流向核心、半边缘行业；核心行业、半边缘行业亦是如此.但就碳转移强度而言, 核心行业的接收关系远高于边缘行业.在碳转移网络核心-边缘结构中核心行业更多为CO2流入地, 边缘、半边缘行业为流出地.
3 建议（1）落实碳减排责任分配.根据各行业能源消耗和投入产出特征, 重视行业之间的碳排放差异, 实施行业分类管理.对于高能耗行业应推进供给侧改革, 采用新技术和新工艺淘汰落后产能, 提高能源利用效率, 同时寻找替代能源, 形成绿色能源体系；对于中间产品供应需求大的行业, 要重视中间生产过程, 加快产业链纵向整合, 加强产品碳核查, 选用低碳排中间产品, 减少碳排放源.
（2）实施社团差异化减排措施.依据网络社团结构特点, 开展跨社团和跨行业协同减排.以建筑业为核心的“高碳排”社团作为CO2流入高地, 应注重生产流程革新和清洁生产改造, 实现超低排放；以交通运输、仓储业和邮政业为核心的“碳传导”社团, 应从“产、消”两端发力, 推动产业全链条节能降碳, 减少CO2在社团间传导；“碳内生”社团在满足居民日常生活需求的同时应强化生物质能的应用, 加快造纸、服装、皮革、食品、家具和电器等能耗领域产品升级；以金属冶炼及压延加工业为核心的“高外溢”社团应加强自主创新, 发展CO2捕获、利用和储存技术, 完善碳资源循环利用机制, 从源头控制CO2外流.
（3）聚焦网络核心节点管理.建筑业、金属冶炼及压延加工业作为网络结构核心, 应发挥关键节点作用以点带面降低整个网络碳流动.建筑业减碳需从建筑设计、材料选取、建造、维护和使用等环节抓起, 重点推进电、油能源消耗减量化, 固体废弃物、废水和低碳建筑材料循环再利用, 建筑施工设备更新和建造工艺提升, 实现全生命周期减碳和长效控碳有机融合, 推动绿色建筑进程.金属冶炼及压延加工业需以技术升级和绿色技术改造为抓手, 调整降碳冶炼方法, 如用电弧炉冶炼法代替高炉-转炉法炼钢；同时, 深化产业结构改革, 调整和压缩粗钢等排放量大且产能过剩的金属冶炼及压延加工产品.
4 结论（1）2005~2020年行业碳排放总体呈快速增长趋势, 且不同行业碳排放量存在显著差异, 完全碳排放量排名前10的行业中, 6个行业是直接碳排放量排名靠前的行业, 余下4个行业与以上行业高度关联, 碳排放存在俱乐部趋同现象.
（2）2005~2020年CO2跨行业流动网络规模迅速扩大, 拓扑结构连通性、稳定性不断提高, 小世界网络特性显著, 单一行业的碳排放量变化易对整个网络产生影响.
（3）行业碳转移网络社团结构明显, 可划分为“高碳排”社团、“碳传导”社团、“碳内生”社团以及“高外溢”社团.其中, 以金属冶炼及压延加工业为核心的“高外溢”社团是行业碳转移网络关系流最强的凝聚子群；以建筑业为核心的高碳排社团是加权入度中心性最大的凝聚子群.
（4）行业碳转移网络存在显著的核心-边缘结构, 核心行业、强半边缘行业、弱半边缘行业和边缘行业之间存在明显的更迭过程.建筑业、金属冶炼及压延加工业是碳转移网络的核心, 且建筑业碳排放越来越多, 对整个网络结构的控制力愈发强劲.
| [1] | Wang M, Wang Y, Wu Y M, et al. Identifying the spatial heterogeneity in the effects of the construction land scale on carbon emissions: case study of the Yangtze River Economic Belt, China[J]. Environmental Research, 2022, 212. DOI:10.1016/j.envres.2022.113397 |
| [2] | Chang W Y, Wang S P, Song X Y, et al. Economic effects of command-and-control abatement policies under China's 2030 carbon emission goal[J]. Journal of Environmental Management, 2022, 312. DOI:10.1016/j.jenvman.2022.114925 |
| [3] | Ofosu-Adarkwa J, Xie N M, Javed S A. Forecasting CO2 emissions of China's cement industry using a hybrid Verhulst-GM (1, N) model and emissions' technical conversion[J]. Renewable and Sustainable Energy Reviews, 2020, 130. DOI:10.1016/j.rser.2020.109945 |
| [4] | Wen H X, Chen Z, Yang Q, et al. Driving forces and mitigating strategies of CO2 emissions in China: a decomposition analysis based on 38 industrial sub-sectors[J]. Energy, 2022, 245. DOI:10.1016/j.energy.2022.123262 |
| [5] |
陈晓红, 张嘉敏, 唐湘博. 中国工业减污降碳协同效应及其影响机制[J]. 资源科学, 2022, 44(12): 2387-2398. Chen X H, Zhang J M, Tang X B. Synergistic effect of industrial air pollution and carbon emission reduction in China and influencing mechanism[J]. Resources Science, 2022, 44(12): 2387-2398. DOI:10.18402/resci.2022.12.01 |
| [6] |
李苑君, 吴旗韬, 王长建, 等. 基于交通大数据的广东省高速公路碳排放计量模型与空间格局[J]. 热带地理, 2022, 42(6): 952-964. Li Y J, Wu Q T, Wang C Z, et al. Estimation model and spatial pattern of highway carbon emissions in Guangdong Province[J]. Tropical Geography, 2022, 42(6): 952-964. |
| [7] |
胡颖. 复杂网络视角下碳排放总量控制目标的行业分解方法与实证研究[D]. 上海: 上海大学, 2020. Hu Y. Empirical study on industrial decomposition method of carbon emissions cap control target based on complex network perspective[D]. Shanghai: Shanghai University, 2020. |
| [8] | Dong J, Li C B, Wang Q Q. Decomposition of carbon emission and its decoupling analysis and prediction with economic development: a case study of industrial sectors in Henan Province[J]. Journal of Cleaner Production, 2021, 321. DOI:10.1016/j.jclepro.2021.129019 |
| [9] | Tong Y L, Wang K, Liu J Y, et al. Refined assessment and decomposition analysis of carbon emissions in high-energy intensive industrial sectors in China[J]. Science of the Total Environment, 2023, 872. DOI:10.1016/j.scitotenv.2023.162161 |
| [10] | Sun Y H, Hao S Y, Long X F. A study on the measurement and influencing factors of carbon emissions in China's construction sector[J]. Building and Environment, 2023, 229. DOI:10.1016/j.buildenv.2022.109912 |
| [11] | Su Y Q, Liu X, Ji J P, et al. Role of economic structural change in the peaking of China's CO2 emissions: an input⁃output optimization model[J]. Science of the Total Environment, 2021, 761. DOI:10.1016/j.scitotenv.2020.143306 |
| [12] | Li Q P, Wu S M, Lei Y L, et al. Evolutionary path and driving forces of inter-industry transfer of CO2 emissions in China: evidence from structural path and decomposition analysis[J]. Science of the Total Environment, 2021, 765. DOI:10.1016/j.scitotenv.2020.142773 |
| [13] |
汪峰, 孙千惠, 李佳硕, 等. 我国城市二氧化碳和大气汞排放特征及协同控制潜力研究——基于生产和消费的视角[J]. 环境科学学报, 2023, 43(4): 179-189. Wang F, Sun Q H, Li J S, et al. City-level emission accounting and co-control paths of carbon dioxide and atmospheric mercury in China from production and consumption perspectives[J]. Acta Scientiae Circumstantiae, 2023, 43(4): 179-189. |
| [14] | Zhu C, Chang Y, Li X D, et al. Factors influencing embodied carbon emissions of China's building sector: an analysis based on extended STIRPAT modeling[J]. Energy and Buildings, 2022, 255. DOI:10.1016/j.enbuild.2021.111607 |
| [15] | Zhao P J, Zeng L G, Li P L, et al. China's transportation sector carbon dioxide emissions efficiency and its influencing factors based on the EBM DEA model with undesirable outputs and spatial Durbin model[J]. Energy, 2022, 238. DOI:10.1016/j.energy.2021.121934 |
| [16] |
李晨, 李昊玉, 孔海峥, 等. 中国渔业生产系统隐含碳排放结构特征及驱动因素分解[J]. 资源科学, 2021, 43(6): 1166-1177. Li C, Li H Y, Kong H Z, et al. Structural characteristics and driving factors of embodied carbon emissions from fishery production system in China[J]. Resources Science, 2021, 43(6): 1166-1177. |
| [17] |
吕一铮, 曹晨玥, 田金平, 等. 减污降碳协同视角下沿海制造业发达地区产业结构调整路径研究[J]. 环境科学研究, 2022, 35(10): 2293-2302. Lv Y Z, Cao C Y, Tian J P, et al. Industrial structure adjustment path in coastal areas with developed manufacturing industries from perspective of synergistic reduction of pollutants and CO2 emissions[J]. Research of Environmental Sciences, 2022, 35(10): 2293-2302. |
| [18] |
蒋自然, 金环环, 王成金, 等. 长江经济带交通碳排放测度及其效率格局(1985~2016年)[J]. 环境科学, 2020, 41(6): 2972-2980. Jiang Z R, Jin H H, Wang C J, et al. Measurement of traffic carbon emissions and pattern of efficiency in the Yangtze River Economic Belt (1985-2016)[J]. Environmental Science, 2020, 41(6): 2972-2980. |
| [19] | Li R R, Li L J, Wang Q. The impact of energy efficiency on carbon emissions: evidence from the transportation sector in Chinese 30 provinces[J]. Sustainable Cities and Society, 2022, 82. DOI:10.1016/j.scs.2022.103880 |
| [20] | Tang B J, Hu Y J, Yang Y. The initial allocation of carbon emission quotas in China based on the industry perspective[J]. Emerging Markets Finance and Trade, 2021, 57(4): 931-948. DOI:10.1080/1540496X.2019.1645006 |
| [21] | Zhou X, Niu A Y, Lin C X. Optimizing carbon emission forecast for modelling China⁃s 2030 provincial carbon emission quota allocation[J]. Journal of Environmental Management, 2023, 325. DOI:10.1016/j.jenvman.2022.116523 |
| [22] |
陈四瑜, 刘晶茹, 孙光明. 基于脱钩指数的工业园区碳排放与经济发展关系[J]. 环境科学, 2023, 44(11): 6412-6420. Chen S Y, Liu J R, Sun G M. Relationship between carbon emissions and economic development of industrial parks based on decoupling index[J]. Environmental Science, 2023, 44(11): 6412-6420. |
| [23] |
吴茜, 陈强强. 甘肃省行业碳排放影响因素及脱钩努力研究[J]. 干旱区地理, 2023, 46(2): 274-283. Wu X, Chen Q Q. Influencing factors and decoupling efforts of industry-related carbon emissions in Gansu Province[J]. Arid Land Geography, 2023, 46(2): 274-283. |
| [24] |
付佩, 兰利波, 陈颖, 等. 面向2035的节能与新能源汽车全生命周期碳排放预测评价[J]. 环境科学, 2023, 44(4): 2365-2374. Fu P, Lan L B, Chen Y, et al. Life cycle prediction assessment of energy saving and new energy vehicles for 2035[J]. Environmental Science, 2023, 44(4): 2365-2374. |
| [25] | Hu Y S, Man Y. Energy consumption and carbon emissions forecasting for industrial processes: status, challenges and perspectives[J]. Renewable and Sustainable Energy Reviews, 2023, 182. DOI:10.1016/j.rser.2023.113405 |
| [26] |
董金池, 汪旭颖, 蔡博峰, 等. 中国钢铁行业CO2减排技术及成本研究[J]. 环境工程, 2021, 39(10): 23-31, 40. Dong J C, Wang X Y, Cai B F, et al. Mitigation technologies and marginal abatement cost for iron and steel industry in China's[J]. Environmental Engineering, 2021, 39(10): 23-31, 40. |
| [27] |
邢奕, 崔永康, 田京雷, 等. 钢铁行业低碳技术应用现状与展望[J]. 工程科学学报, 2022, 44(4): 801-811. Xing Y, Cui Y K, Tian J L, et al. Application status and prospect of low carbon technology in iron and steel industry[J]. Chinese Journal of Engineering, 2022, 44(4): 801-811. |
| [28] |
李慧鹏, 李荔, 殷茵, 等. 基于LEAP模型的工业园区碳达峰路径: 以南京某国家级开发区为例[J]. 环境科学, 2024, 45(4): 1898-1906. Li H P, Li L, Yin Y, et al. Carbon peak pathways of industrial parks based on LEAP model: a case study of a national development zone in Nanjing[J]. Environmental Science, 2024, 45(4): 1898-1906. |
| [29] |
汪旭颖, 李冰, 吕晨, 等. 中国钢铁行业二氧化碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 339-346. Wang X Y, Li B, Lv C, et al. China's iron and steel industry carbon emissions peak pathways[J]. Research of Environmental Sciences, 2022, 35(2): 339-346. |
| [30] |
李文博, 龙如银, 张琳玲. 电力跨区传输视角下电动汽车规模化应用的碳排放转移[J]. 北京理工大学学报(社会科学版), 2022, 24(1): 12-23. Li W B, Long R Y, Zhang L L. Carbon emission transfer by large-scale application of electric vehicles from the perspective of inter-regional electricity transmission[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2022, 24(1): 12-23. |
| [31] |
胡剑波, 王楷文. 中国出口行业动态全要素碳生产率及门槛效应研究[J]. 环境科学与技术, 2022, 45(12): 228-236. Hu J B, Wang K W. Research on dynamic total factor carbon productivity and threshold effect of China's export industry[J]. Environmental Science & Technology, 2022, 45(12): 228-236. |
| [32] |
王少剑, 田莎莎, 蔡清楠, 等. 产业转移背景下广东省工业碳排放的驱动因素及碳转移分析[J]. 地理研究, 2021, 40(9): 2606-2622. Wang S J, Tian S S, Cai Q N, et al. Driving factors and carbon transfer of industrial carbon emissions in Guangdong province under the background of industrial transfer[J]. Geographical Research, 2021, 40(9): 2606-2622. |
| [33] |
蒋思坚, 邓祥征, 周晓雪, 等. 中美贸易摩擦对我国小麦出口贸易隐含碳影响的预测分析[J]. 农业环境科学学报, 2020, 39(4): 762-773. Jiang S J, Deng X Z, Zhou X X, et al. Quantitative predictions of impacts of trade friction between China and the US on wheat trade and its embodied carbon emissions[J]. Journal of Agro-Environment Science, 2020, 39(4): 762-773. |
| [34] |
吕康娟, 胡颖. 灰色量子粒子群优化通用向量机的中国行业间碳排放转移网络预测研究[J]. 中国管理科学, 2020, 28(8): 196-208. Lv K J, Hu Y. Prediction of inter-industry carbon emissions transfer network in China based on grey quantum particle swarm optimizing general vector machine[J]. Chinese Journal of Management Science, 2020, 28(8): 196-208. |
| [35] |
涂正革. 中国的碳减排路径与战略选择——基于八大行业部门碳排放量的指数分解分析[J]. 中国社会科学, 2012(3): 78-94. Tu Z G. Strategic measures to reduce China's carbon emissions: based on index decomposition analysis of carbon emissions in eight industries[J]. Social Sciences in China, 2012(3): 78-94. |
| [36] | Jiang M H, Gao X Y, Guan Q, et al. The structural roles of sectors and their contributions to global carbon emissions: a complex network perspective[J]. Journal of Cleaner Production, 2019, 208: 426-435. DOI:10.1016/j.jclepro.2018.10.127 |
| [37] |
陆杉, 李雯. 长江中游城市群工业碳排放空间关联及其影响因素[J]. 环境科学与技术, 2023, 46(8): 227-236. Lu S, Li W. Spatial network structure of industrial carbon emission of urban agglomerations in the middle reaches of the Yangtze River and its influencing factors[J]. Environmental Science & Technology, 2023, 46(8): 227-236. |
| [38] | Huo T F, Cao R J, Xia N N, et al. Spatial correlation network structure of China's building carbon emissions and its driving factors: a social network analysis method[J]. Journal of Environmental Management, 2022, 320. DOI:10.1016/j.jenvman.2022.115808 |
| [39] | Yu Z Q, Chen L Q, Tong H X, et al. Spatial correlations of land-use carbon emissions in the Yangtze River Delta region: a perspective from social network analysis[J]. Ecological Indicators, 2022, 142. DOI:10.1016/j.ecolind.2022.109147 |
| [40] | Shen W R, Liang H W, Dong L, et al. Synergistic CO2 reduction effects in Chinese urban agglomerations: perspectives from social network analysis[J]. Science of the Total Environment, 2021, 798. DOI:10.1016/j.scitotenv.2021.149352 |
| [41] | Liang X, Guo J, Liu P D. A large-scale group decision-making model with no consensus threshold based on social network analysis[J]. Information Sciences, 2022, 612: 361-383. DOI:10.1016/j.ins.2022.08.075 |
| [42] |
余娟娟, 龚同. 全球碳转移网络的解构与影响因素分析[J]. 中国人口·资源与环境, 2020, 30(8): 21-30. Yu J J, Gong T. Analyzing the deconstruction and influencing factors of the global carbon transfer network[J]. China Population Resources and Environment, 2020, 30(8): 21-30. |
| [43] | Wang X P, Yu J Q, Song J Z, et al. Structural evolution of China's intersectoral embodied carbon emission flow network[J]. Environmental Science and Pollution Research, 2021, 28(17): 21145-21158. DOI:10.1007/s11356-020-11882-x |
| [44] |
彭邦文, 郑闳方, 朱磊, 等. 中国工业碳排放网络结构演化特征与链路预测[J]. 中国环境科学, 2024, 44(3): 1718-1731. Peng B W, Zheng H F, Zhu L, et al. Evolution characteristics and link prediction of industrial carbon emission network structure in China[J]. China Environmental Science, 2024, 44(3): 1718-1731. |
| [45] | Xia Q, Tian G L, Wu Z. Examining embodied carbon emission flow relationships among different industrial sectors in China[J]. Sustainable Production and Consumption, 2022, 29: 100-114. DOI:10.1016/j.spc.2021.09.021 |
| [46] |
杨青, 郭露, 刘星星, 等. 基于模体结构与指数随机图的中国省域交通碳排放空间关联格局的驱动要素研究[J/OL]. 中国环境科学, 2023. https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJ&filename=ZGHJ2023112400O,2023-11-28. Yang Q, Guo L, Liu X X, et al. Research on the driving factors of the spatial correlation pattern of provincial transport carbon emissions in China based on modular structure and exponential random graph[J/OL]. China Environmental Science, 2023. https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJ&filename=ZGHJ2023112400O, 2023-11-28. |
| [47] | Appolloni A, Centi G, Yang N. Promoting carbon circularity for a sustainable and resilience fashion industry[J]. Current Opinion in Green and Sustainable Chemistry, 2023, 39. DOI:10.1016/j.cogsc.2022.100719 |
| [48] | Haseeb M, Haouas I, Nasih M, et al. Asymmetric impact of textile and clothing manufacturing on carbon-dioxide emissions: evidence from top Asian economies[J]. Energy, 2020, 196. DOI:10.1016/j.energy.2020.117094 |
| [49] |
王火根, 汪钰婷, 肖丽香. 基于IO-SDA法的2020-2060年中国行业二氧化碳排放预测与分析[J/OL]. 中国环境科学, 2023. https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJ&filename=ZGHJ2023112400K, 2023-11-30. Wang H G, Wang Y T, Xiao L X. Forecast and analysis of China's industrial carbon dioxide emissions from 2020 to 2060 based on the IO-SDA method[J/OL]. China Environmental Science, 2023. https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJ&filename=ZGHJ2023112400K, 2023-11-30. |
| [50] |
韩梦瑶, 刘卫东, 杨茗月. 低碳转型下中国高耗能行业的碳风险传导解析: 基于隐含碳关联网络视角[J]. 地理研究, 2022, 41(1): 79-91. Han M Y, Liu W D, Yang M Y. Carbon risk transmission of China's energy-intensive industries under low-carbon transition: from the embodied carbon network perspective[J]. Geographical Research, 2022, 41(1): 79-91. DOI:10.3969/j.issn.1003-2363.2022.01.013 |
| [51] | Yuan Y, Sun X T, Liu N. Measuring structural characteristics and evolutionary patterns of an industrial carbon footprint network: a social network analysis approach[J]. Regional Science Policy & Practice, 2022, 14: 159-180. |