环境科学  2024, Vol. 45 Issue (11): 6412-6421   PDF    
引用本文
马晋龙, 曹梦莹, 葛蓓清. 北方县城家庭碳排放影响因素及减排成本分析：以河北丰宁县为例[J]. 环境科学, 2024, 45(11): 6412-6421.
MA Jin-long, CAO Meng-ying, GE Bei-qing. Carbon Emission Influencing Factors and Abatement Cost Calculation of Households in Northern Counties: A Case Study of Fengning County, Hebei [J]. Environmental Science, 2024, 45(11): 6412-6421.
北方县城家庭碳排放影响因素及减排成本分析：以河北丰宁县为例
马晋龙1,2, 曹梦莹1, 葛蓓清2     
1. 天津大学建筑学院, 天津 300072;
2. APEC可持续能源中心, 天津 300072
收稿日期: 2023-11-11; 修订日期: 2024-02-20
基金项目: 亚洲开发银行：中国中小城镇低碳能源供应基础设施优化模型及政策研究TA-6661 PRC（54024-001）
作者简介: 马晋龙（1964~）, 男, 教授, 主要研究方向为能源技术政策及监管、能源系统优化和低碳发展, E-mail：jinlong_ma@tju.edu.cn
通信作者: 曹梦莹, E-mail：cmy_0828@tju.edu.cn
摘要: 居民生活水平的提高带来家庭碳排放的快速增长, 提升对家庭碳排放特征的高精度阐释对推动城镇能源转型和减碳政策的落实具有重要意义. 基于入户调研数据和联合国气候变化组织推出的“个人气候行动碳足迹计算器”, 测算河北省丰宁县家庭碳排放, 同时运用Lasso回归、随机森林模型分析相关因素对家庭碳排放的影响并计算了不同措施下的家庭碳减排成本. 结果表明：①家庭碳排放的组成部分中, 能源消费、交通出行、购物和饮食习惯分别占比33.36%、15.14%、23.81%和27.90%；②影响因素根据重要性从高到低依次是私家汽车类型、采暖方式、购买能效标识电器倾向、家庭规模、电力消费量和天然气消费量, 家庭选用新能源汽车、采用集中供暖和倾向购买能效标识电器均可有效降低家庭碳排放；家庭规模的扩大和电力、天然气消费量的增加对于家庭碳排放的影响则是波动变化的. ③不同节能减碳措施的成本效益相差较大. 对于县城家庭, 选用高能效电器和绿色出行的单位减碳成本最低；居民建筑节能改造的碳减排量最高；能源替代的减碳量显著, 但单位减碳成本最高. 依据提出的节能减碳措施, 整县年碳排放量潜力可达52.67万t. 其中, 能源替代、建筑节能改造、家电升级和绿色出行的减碳占比分别为17.81%、54.07%、2.52%和25.59%.
关键词: 家庭能耗      碳排放      影响因素      减排成本      北方县城     
Carbon Emission Influencing Factors and Abatement Cost Calculation of Households in Northern Counties: A Case Study of Fengning County, Hebei
MA Jin-long1,2 , CAO Meng-ying1 , GE Bei-qing2     
1. School of Architecture, Tianjin University, Tianjin 300072, China;
2. APEC Sustainable Energy Center, Tianjin 300072, China
Abstract: With the economic development and the pace of urbanization, the rising living standard of the urban population has been accompanied with the increase in household carbon emissions in China, and it is of importance to understand the characteristics of the carbon emissions in order to support green energy transitions and sustainable development. Based on the household survey data and using the "Lifestyle calculator-for individuals" developed by the United Nations Climate Change Organization, this study analyzes urban household carbon emissions in Fengning County, Hebei Province, a typical county in North China. We applied the Lasso regression and Random Forest Models (RFMs), assessing the impacts of relevant factors on household emissions. Through techno-economic analysis, we estimated the costs of various emission reduction measures. RThe results revealed that household carbon emissions were mostly related to energy use, transport, shopping, and dining, which accounted for 33.36%, 15.14%, 23.81%, and 27.90% of the total emissions, respectively. The factors affecting the household emission level included: the means of transport, household heating, efficiency of home appliances, household size, and the amount of electricity and natural gas consumed. Using new energy vehicles, centralized heating and energy-efficient appliances could cut carbon emissions significantly. In terms of the costs of emission abatement of different measures, choosing energy-efficient appliances and green transport were among the lowest-cost options; building energy-saving retrofitting could result in the highest reduction, and energy substitution required the highest investment. The emission reduction potential in Fengning was assessed, and discussions were made to draw policy recommendations supporting emission reduction in the household sector and facilitate low-carbon and green lifestyle development in Chinese counties.
Key words: household energy consumption      carbon emissions      influencing factors      carbon abatement costs      northern county     

全球气候变暖引发世界各国对发展低碳经济的关注和重视. 我国二氧化碳排放量居世界首位, 其中居民消费产生的二氧化碳排放量占总排放量的40%~50%[1, 2], 居民生活产生的能耗已成为继工业能耗后的第二大部门[3]. 随着人民生活水平的不断提高, 消费结构的转型升级以及居民对于能耗需求提升[4], 居民高碳化消费现象趋势明显, 家庭碳排放不断增长, 已有研究证实居民科学用能带来的年均节能潜力为15%~20%[5, 6]. 县域作为我国基本经济单元和最大的生态本底系统, 近年来的快速城镇化导致县域建设用地及人口预测超出其实际承载能力, 带来结构性变化和规模扩张下的碳排放量集聚性增长[7], “双碳”约束下迫切需要探索低碳发展路径, 县城作为县域政治经济文化中心和人口集聚中心[8], 是推动其能源转型的重要支点, 而北方家庭冬季供暖的能耗需求使其面临着更严峻的减碳压力. 研究从微观视角研究北方县城家庭的碳排放特征及影响因素并探索减排路径, 对促进我国“双碳”目标的实现和县域高质量发展具有重要意义.

针对家庭消费碳排放的研究, 研究对象多集中在农村和地级城市[9~11], 聚焦于家庭碳排放的测算、影响因素和区域差异等方面. 对于家庭碳排放的测算多集中在以用能为主的直接碳排放方面, 但近年的研究表明, 居民所购买商品和服务的背后, 例如生产与运输所耗能源而产生的间接碳排放在家庭消费碳排放总量中已占有较大比例[12], 而如何准确计算家庭间接碳排放一直被探讨. 针对影响因素的研究, 多采用系统动力学[4]、投入产出分析[1]、经济计量分析[13]和神经网络模型[14]等手段揭示主要影响因素和作用关系. 家庭碳排放被认为是嵌入在一个包括行为经济学、技术、社会和心理因素的复杂系统中, 家庭碳排放主要受城市发展、居民消费水平、家庭规模、受教育程度和能源结构等因素影响[15~17]. 其中, 人口老龄化和家庭规模[18]、经济发展水平[19]和城市化程度[20]对城镇家庭碳排放均存在正向影响. 收入水平通过影响家庭能源消费结构, 同时影响家庭直接生活能耗和间接生活能耗. 家庭规模通过影响家庭可支配收入、居住面积、共享居住区域及家用电器等方面影响家庭能耗[21~23]. 家庭内部就业人数和实际消费支出等与家庭能耗成正比[24]. 针对区域家庭碳排放的研究则发现, 北方家庭的电力、热力、天然气和液化石油气的能源消费约占总消费的90%[25], 人均碳排放明显高于南方, 存在明显差异[26].

现有研究提供了诸多有益的借鉴, 但仍然存在一些可探索之处. 首先, 现有研究主要基于能源平衡表和统计年鉴等宏观统计数据或基于中国家庭追踪调查（CFPS）数据库进行, 存在分析数据精确度低和数据滞后性等问题. 其次, 在研究尺度上, 多针对我国大中城市和农村地区, 较少展开以县城为代表的中小城镇碳排放的分析, 尤其是北方县城. 最后, 现有研究多依据影响因素提出一些宏观解决方案, 并未展开相关措施的减排成本效益分析, 降低了实际可操性以及政策制定的方向性.

丰宁满族自治县隶属河北省承德市, 是全国风能资源最好的地区之一, 是京津地区的生态屏障和重要水源地, 是承德市风、光、水、绿电资源最集中区域, 全县风光水储氢热多维一体化发展. 丰富的可再生能源资源使其在推动冀北地区能源革命中发挥着重要作用. 丰宁县作为全国生态文明建设示范区, 首都“两区”建设核心区, 面临着绿色生态建设和低碳发展的转型压力, 亟需有效引导城镇社会能源消费向节能方向转变, 提升城镇碳排放特征的高精度阐释, 以挖掘“双碳”目标下丰宁县节能减碳潜力, 促进能源消费升级. 基于此, 本研究基于入户调研数据和计量模型, 对丰宁县城家庭碳排放特征进行分析, 剖析相关影响因素, 提出对应措施并定量分析投入成本和效益, 以期为以丰宁县为代表的北方地区其他中小城镇能源转型政策的制定提供科学支撑.

1 材料与方法 1.1 数据来源

数据来自丰宁县实地入户调查, 调查的时间为2022年10~12月, 问卷调查采取实地面对面访问的方式, 并适当进行必要的指导, 以提高问卷有效性、正确性和真实性. 调研区域划分为新城区（北新区及开发区）及老城区（主城区）两大部分, 调查对象是城镇小区的家庭, 按照人口密度采用区县分层+社区随机抽样[27]. 实际采集样本549份, 通过对收回问卷进行分析, 剔除不完整、不合理问卷, 最终形成有效问卷505份. 有效问卷回收率为92.00%, 其中北新区和开发区采集样本量为208份, 占有效样本量41.20%；主城区采集样本量为297份, 占有效样本量58.50%, 满足调查问卷的基本要求.

调查问卷根据所需的数据类型进行设计, 确定了问卷内容、调研时间、调研区域和调研对象. 问卷内容包括以下6个部分内容：家庭概况、住宅特征、能源消费、家用电器、交通出行和用能习惯. 其中, 家庭概况包括人口、收入及受教育程度等；住宅特征包括住宅建筑的类型、面积和建造年份等；能源消费包括购买的能源类型及消费情况；家用电器包括各类家电使用频率、使用时长等；交通出行包括私家车保有量、类型、能耗和年行驶里程信息等；能源意识习惯包括节能意识和饮食习惯等.

1.2 样本特征

受访者年龄主要集中在31~40岁之间, 占40.60%；家庭常住人口主要是3人, 占比51.10%；家庭年收入平均在12.60万元·a-1, 家庭年支出平均在7.30万元·a-1；受教育水平主要是大专学历, 占52.50%. 与丰宁县第七次人口普查数据进行对比分析, 研究样本的家庭收入、家庭规模等社会特征与“七普”数据基本一致, 样本数据具有一定代表性. 此外, 受访者所居住建筑年份跨度较长, 其中2000年建成的建筑居多；受访者所住建筑面积平均为113.80 m2, 采暖面积平均为104.30 m2.

1.3 研究方法 1.3.1 家庭消费碳排放测算方法

家庭碳排放定义为城镇家庭日常生活及工作所需的直接或间接能源消费产生的碳排放. 其中, 家庭直接碳排放是指家庭直接消费能源载体（煤炭、石油、天然气、电力等）用于照明、供暖、制冷和交通等活动产生的碳排放, 主要包括住宅内能耗和私人交通能耗两大类. 家庭间接碳排放是指家庭衣、食、住、行中的非能源商品和服务消费在其生产、供应和处置的全生命周期中所引起的碳排放, 既指商品生产和提供服务过程中直接产生的碳排放, 也指嵌入在材料和中间商品生产过程中产生的碳排放[28~30].

为更好地计算家庭的直接碳排放和间接碳排放, 相关研究或通过拆分统计年鉴中的数据进行估算[31], 或利用相关机构提供的碳足迹计算软件对家庭居民碳排放量进行计算[27]. 联合国气候变化组织推出了个人气候行动碳足迹计算器（lifestyle calculator -for individuals）[32], 计算范围包括用于电器用能、交通运输等产生的直接碳排放以及日常使用各种商品和非能源物质产生的间接碳排放. 软件通过专业组织来提高计算数据的可信度和稳健性, 并定期更新保持数据的最新；软件基于用户输入的相应数据, 计算家庭总碳排放量后除以家庭居民数, 最终输出家庭人均碳排放量. 基于此, 可计算出每个样本家庭的总碳排放量和家庭人均碳排放量, 并测算出碳排放中各部分所占的比重. 该软件的问卷是分层构建的, 第一层的问题代表生活中常见的排放源, 在第二层中, 添加进一步的生活行为细节, 以提高碳排放估计的准确性, 并展示用户可能没有想到的其他排放源, 完整的问卷大约由35个问题组成.

1.3.2 关键因素分析模型

（1）Lasso回归  Lasso回归可解决多重共线性和模型复杂度等问题[33]. 通过在传统的线性回归算法的基础上增加正则项L1, 使系数向量中多数特征权重变为0, 如果变量没有缩小到0, 代表其重要程度高, 从而筛选出对目标变量有最大预测能力的特征, 简化模型, 提高模型的泛化能力. 基于R语言4.3.1版本进行Lasso回归, 模型如下：

式中, λ为正则化的处罚, m为预测变量的数, β为参数. 若λ值为0等同基本OLS模型. 但是, 如果给定合适的λ值, Lasso回归则可以使某些系数变为0. λ的值越大, 将更多的功能缩小为0.

（2）随机森林模型  相较于其他的机器学习的算法, 随机森林具有容易操作和可解释性强的特点, 能够有效回避变量的共线问题和模型过拟合问题, 并可以对变量重要性进行评估. 将通过Lasso回归筛选出的变量纳入随机森林模型, 得出变量重要性评分并排序, 计算公式如下：

式中：imi为Xi对模型的贡献, 表示为IncMSE, 当IncMSE越大重要性越高；SXi为在nt棵回归树的随机森林中被Xi分裂的节点集合；Gain（Xi, v）为Xi在分裂节点v的基尼信息增益, 用于识别最大信息增益的预测变量[34]. 本文利用R语言平台对随机森林进行回归, 参数如下：ntree=500, mtry=3, 其他默认.

（3）家庭碳减排经济成本核算  家庭碳减排措施的投入成本包括各类措施的材料组件、设计安装等各项, 各类措施投入成本计算方法如下：

式中, Ci为家庭采取第i种措施的总投资成本, 单位为万元；αi、βi、γi…分别为措施i的设备价格、设计安装费、运营维护费用以及其他费用, 单位为万元；Pi为第i种措施总成本分摊到寿命年限内的年均成本, 单位为万元；Y为相应措施的寿命年限.

单位碳减排经济成本[35]：

式中, ACi为措施i的单位碳减排经济成本, 单位为万元·万t-1；P0为相同需求下家庭采用原有选择的年均成本, 单位为万元；Qi为措施i的年均碳减排量, 单位为万t.

其中, 计算相关能耗的碳排放时, 采用电力碳排放因子（以CO2计）为0.971 4 t·（MW·h）-1[36]. 根据文献[37], 天然气和煤气使用的碳排放系数（以CO2计）分别为2.860 3 kg·m-3和0.816 2 kg·m-3, 根据文献[38], 煤炭使用的碳排放系数（以CO2计）为1.819 4 kg·kg-1；交通燃料的碳排放因子数据来源于IPCC2006.

（4）变量选取  在影响因素模型的变量选择上, 以丰宁县城为样本, 以测算的家庭碳排放量为因变量. 基于已有研究, 根据家庭的各类消费行为, 分组设定对其产生间接和直接影响的相关因素. 因素选取如下, 首先, 能源消费、供暖制冷和交通出行方式会对碳排放强度产生直接影响. 选取电力、天然气和液化石油气消费量等代表能源消费；空调制冷温度设置和采暖方式等代表供暖制冷；汽车类型和购买新能源汽车意愿代表交通出行方式. 其次, 家庭所在区域、住房特征、个人属性和用能习惯也可能间接对碳排放强度产生影响. 选取所在区域代表家庭区域特征；房屋楼层、类型和建筑面积代表住房特征；家庭年收入、教育水平和饮食习惯代表个人属性；购买能效标识电器、给待机电器断电和购买绿电的意愿代表用能习惯. 根据调研所获得的数据, 共选取22个变量, 如表 1所示.

表 1 变量选取与说明 Table 1 Variable selection and description

2 结果与分析 2.1 家庭碳排放结构特征分析

将整理后的问卷数据录入联合国提供的碳足迹计算软件, 由此计算出家庭总碳排量和家庭人均每年所产生的碳排放及其所占比例（表 2）. 计算结果显示, 丰宁县家庭总碳排量介于6.93~44.70 t, 平均碳排放约为15.70 t；家庭人均年碳排放介于2.88~8.94 t, 平均碳排放量约为4.68 t. 从碳排放的组成部分看, 家庭能源消费、交通出行、家庭购物和饮食习惯所产生的碳排放分别占比33.36%、15.14%、23.81%和27.90%, 来源于家庭购物和饮食习惯的碳排放比例高达61.26%. 家庭间交通方式和能源消费碳排放占比的差异明显高于其他两个部分, 为此进一步分析相关影响因素.

表 2 家庭年碳排放统计 Table 2 Household annual carbon emission statistics

2.2 家庭碳排放关键影响因素分析

首先对高度相关的数据进行初步筛选. 利用R语言平台corrplot函数构建家庭要素的相关性分析[图 1（a）]. 选取相关系数大于0.7的指标, 计算两指标除彼此外与其他指标相关系数绝对值之和, 两者中删除与其他指标相关性高的那个指标[39], 删除变量建筑面积、饮食习惯、购买绿电意愿和能源支出费用. 其次, 通过基本的相关性分析筛除高度相关的变量后18项变量仍然存在相关性. 为了解决相关度高带来的回归共线性问题, 采用Lasso回归进行进一步筛选[图 1（b）]利用RStudio中函数glmnet对单因素分析中差异有统计学意义的18个变量进行Lasso分析, 详见图 1（b）, 图中左侧垂直的虚线代表lambda.min, 右侧垂直的虚线代表lambda.1s. 误差最小时, 所对应的影响因素数目为6个. 因此家庭规模、电力消费量、天然气消费量、家庭采暖方式、汽车用能类型和购买能效标识电器倾向等6个变量被保留. 最后, 利用随机森林进行重要性排序. 以家庭碳排放量作为因变量, 将Lasso回归筛选出的变量纳入随机森林模型. 利用RStudio中Random Forest程序包输出结果[图 1（c）]. IncMSE为精度平均减少值, IncMSE越大, 则变量在影响因素中的重要性越高[40]. 结果显示, 重要性排序为汽车用能类型、家庭采暖方式、购买能效标识电器倾向、家庭规模、电力消费量和天然气消费量, 并对其原因进行分析.

（a）皮尔逊相关性, （b）Lasso回归, （c）随机森林中变量重要性排序；X1：所在区域, X2：房屋楼层, X3：房屋类型, X4：建筑面积, X5：家庭规模, X6：家庭年收入, X7：教育水平, X8：饮食习惯, X9：电力消费量, X10：天然气消费量, X11液化石油气消费量, X12：能源支出费用, X13家用电器数量, X14：平均每天洗澡次数, X15：采暖面积, X16：采暖方式；X17：制冷温度设置, X18：汽车用能类型, X19：购买新能源汽车意愿, X20：购买能效标识电器倾向, X21：给待机电器断电, X22：愿意购买绿电愿意 图 1 家庭碳排放影响因素筛选 Fig. 1 Screening of factors influencing household carbon emissions

基于调研数据对分类变量进行分析. 针对汽车用能分析, 样本中燃油车百公里油耗约为8.70 L, 新能源汽车百公里电耗约为16.20 kW·h. 同等需求下, 使用新能源汽车带来的的碳减排量占燃油车家庭年均总碳排量约16.88%, 可有效降低家庭碳排放. 丰宁县拥有燃油车的家庭占样本31.10%, 新能源车占3.00%. 致使新能源车占有比例低的原因可能有：充电桩便利度不高, “附近充电桩距离10 min以内”的家庭只占47.10%；冬季极端天气中新能源汽车行驶里程不稳定；县城燃油车出行无机动车尾号限行. 针对家庭采暖方式分析, 丰宁县2022年集中供暖家庭占比85.50%, 集中供暖120 d, 家庭平均采暖面积104.30 m2, 以燃煤为主；自采暖家庭占比14.50%, 其中使用空调占比约61.50%, 户均2台, 平均匹数为1.30匹, 采暖季节平均每台运行时间约4.50 h·d-1. 经计算, 集中供暖家庭比采用空调自采暖家庭一个采暖季可节能约17.79%. 针对购买能效标识电器倾向的分析, 受访家庭中具有购买拥有能效标识电器倾向的占比达79.40%, 同时对于“购买新能源汽车意愿”“购买绿电意愿”等选项持有积极态度. 这些行为意识对于家庭能源的节约使用具有可持续的影响力.

基于偏依赖分析非分类变量的边际影响发现, 家庭规模对丰宁县家庭碳排放的影响是变动的. 当家庭规模为2~3人时影响程度下降, 4人以上时影响程度明显上升. 原因可能有：小型家庭相较于多代大家庭, 成员年龄和生活习惯等不同降低了家电设施在使用过程的互补性及共享性[41]. 对于能源消费量的影响, 受访家庭电力使用覆盖率100%, 电力年均支出费用占总能源支出费用的68.24%, 属于主要使用能源；根据图 2, 电力消费对于家庭碳排放的影响程度随着使用量的增加不断降低, 拐点出现在2 000~2 500 kW·h间, 之后波动下降. 在消费量达到6 500.00 kW·h后影响程度趋于平稳. 依据调查结果, 丰宁县家庭年均用电量为3 222.90 kW·h, 因此丰宁县家庭电力消费的增加对碳排放的影响呈下降趋势. 受访家庭天然气覆盖率为91.09%, 且年均消费量远高于煤炭和瓶装液化石油气等. 天然气消费量对家庭碳排放的影响波动明显：200.00 m3以内, 随消费量增加而影响减小；200.00 m3之后, 影响呈现阶梯式增长, 在300.00 m3左右下降并趋于平稳. 根据调查结果显示, 家庭年均用气量约135.00 m3, 因此县城家庭天然气消费的增加对家庭碳排放的影响是波动下降. 丰宁县家庭能源消费结构主要包括：电力、天然气、液化石油气和煤炭等, 在电力和天然气逐步覆盖家庭直接用能后, 影响家庭碳排放的因素可能更多地来源于造成家庭间接碳排放的行为要素.

图 2 非分类变量对家庭碳排放的影响强度 Fig. 2 Influence intensity of non-categorical variables on household carbon emissions

综上, 家庭的直接用能习惯依旧是影响家庭碳排放的主要影响因素. 其中, 家庭选用新能源汽车、选择集中供暖以及对高能效电器的购物倾向均可降低家庭碳排放；家庭规模、电力和天然气消费对于家庭碳排放的影响是波动的. 通过提升居民对高效、清洁的能源消费的意愿, 对不同梯队的能源消费水平的家庭采取差异化措施, 可更有效地降低家庭碳排放.

2.3 成本节能量分析

基于以上分析, 可能推进县域家庭生活减排的相应措施有：第一是出行方式的改变, 优先选择公共交通和家庭新能源汽车；第二是针对居住建筑的节能改造, 具体措施包括房屋保温、门窗改造和采暖供热系统的节能改造；第三是家电升级, 在保持原有使用频率或时长的条件下, 提高能耗品的能效或选用高能效产品；第四是家庭能源替代, 具体措施包括在屋顶安装光伏板等. 根据统计数据和调研数据对家庭成本效益和整县的节能减排潜力进行分析.

丰宁县共有6.90万户县城家庭, 既有住宅屋顶面积约为320.18万m2, 其中家庭平均人口为3.22人, 人均居住面积为35.00 m2. 计算家庭平均每年不同措施的投入成本、年减排量与年节约成本, 主要涉及设备购买费用、安装施工费用. 相关数据来源于已有研究及市场价格调研, 具体家庭节能减碳措施的计算, 如表 3所示.

表 3 不同措施下每户家庭的投资成本与年均减排量1） Table 3 Average annual household energy savings under different measures

能源替代减排成本. 参照国能综通新能2021年提出整县（市、区）居民屋顶（农村）总面积安装光伏发电比例不低于20%的要求[42], 初步假设县城居民屋顶安装光伏面积比例为20%, 依据《2022年度全国可再生能源电力发展监测评价报告》[43], 承德市年实际利用小时数为1 501 h. 1 kW光伏装机所需面积为10 m2, 户均约安装0.93 kW, 总投入成本在1.55~2.05万元之间. 经计算, 家庭年均发电量约1 395.93 kW·h, 2023年居民购电价为0.372元·（kW·h）-1, 年均节约费用约为519.29元, 年减排量约为1.30 t. 假设太阳能光伏板寿命约为25 a[44], 单位碳减排最低成本为455.88~602.94万元·万t-1.

建筑改造减排成本. 根据调研结果并参照周志宇[45]对采暖地区居住建筑节能改造效益的研究, 不同建筑改造措施的节能量如表 3所示. 丰宁县冬季极端天气气温为-37℃, 集中供暖时间较长, 主要供热能源是煤炭. 假设相关工程寿命年限为25 a, 主要考虑冬季节能, 经计算, 外墙外保温节能改造和安装更节能的供暖系统节能效果最为显著, 家庭年均减排量分别约为4.62 t和3.32 t. 其中, 屋顶保温和采暖系统改造的单位减碳成本较低, 分别为85.97~158.71万元·万t-1和120.37~204.63万元·万t-1.

家电升级减排成本. 主要考虑冰箱、洗衣机、空调和灯具等家庭保有率较高的电器的能效升级. 根据实际调研数据, 现状家庭使用1级能耗冰箱、洗衣机和空调的占比分别为43.70%、31.50%和53.80%, 户均冰箱和洗衣机数量为1台, 空调2台, 普通节能灯10只. 假设家庭非一级能耗的电器均为二级能耗；冰箱全年运行, 洗衣机3 h·周-1, 空调5.10 h·d-1；不同能效的电器价格差参考海尔官网的同系列, 使用寿命为10 a；普通节能灯功率5 W, 亮灯5 h·d-1, LED节能灯价格高出30元, 使用寿命为2 a. 经计算, 家电升级的单位碳减排成本相较于其他措施具有很高的碳减排效益.

交通出行减排成本. 根据调研结果, 燃油车家庭年均里程约为19 600.00 km, 百公里油耗约为8.70 L, 新能源汽车百公里电耗约为16.20 kW·h；油价7.62元·L-1, 购电价为0.372元·（kW·h） -1. 假设家庭购车预算不变, 同等出行需求下选择新能源汽车, 每百公里可节约燃料费用约为60.27元, 每百公里碳减排量约为9.71 kg, 可实现同等投入成本下, 减碳的同时获得经济收益. 家庭公共交通节能量, 参照贾君君[46]针对居民行为碳减排的研究, 家庭年均节能量（ce）250.73 kg, 单位碳减排成本约为0.08~0.13万元·万t-1.

结合现状数据, 假设县城家庭已完全实施并完工所提出的4种节能减碳措施, 以估算县城家庭节能减碳的潜力. 假设如下：县城居住建筑屋顶安装光伏面积比例达到20%；2000年以前建成住房建筑完成节能改造, 约占全县住房面积的31.90%；家庭电器均更换为一级能效电器和照明采用LED节能灯, 有车家庭均使用新能源汽车；无车家庭选择公共交通出行. 经估算, 整县年碳排放量可下降52.67万t. 其中, 能源替代、建筑改造、家电升级和交通出行的减碳占比分别为17.81%、54.07%、2.52%和25.59%.

综上, 对于县城家庭, 选择高能效电器和更绿色的出行方式, 单位减碳成本最低；建筑节能改造的碳减排量最高；屋顶分布式光伏的减碳量显著, 但单位减碳成本最高. 从微观家庭视角, 政府在推动县城低碳发展时, 可参考家庭单位碳减排成本, 首先重点推广新能源汽车普及, 通过家电补贴来引导节能电器的推广, 推动老旧小区节能改造, 推动屋顶分布式光伏的建设的单位减排成本较高, 需进一步拓宽项目资金来源.

3 讨论

本研究通过以丰宁县为研究案例, 发现家庭侧的节能减碳潜力是可观的. 伴随城镇经济快速发展, 县城居民生活质量的提升, 家庭碳排放的增长不可避免, 应引起社会对家庭侧碳排放的足够重视. 政府需充分认识到县城内部的家庭碳排放特征, 开展针对性的规划引导工作. 在保证居民生活舒适度的前提下, 不断探索家庭侧节能减碳路径, 实现居民生活水平与城镇低碳发展的共同推进.

家庭节能减排措施的实施, 涉及不同的投资主体, 稳定的资金来源是推动县城低碳转型的重要前提. 可以结合国家政策, 如城市更新, 城中村改造等项目, 将建筑节能改造等措施纳入其中, 同步推进；为不同项目制定实施计划, 如规划5年建设期, 20年运营期, 以保证措施实施的收益性；通过住房政策约束及规划, 从节能建筑设计、建设规模等进行低碳引导, 间接降低家庭的能源消耗量及其碳排放量. 对于家庭投资不可控部分, 可通过政府出台支持政策, 如提供家电补贴等, 提高居民节能消费的积极性. 倡导绿色生活方式, 发展绿色交通, 推行绿色出行, 推动社会逐步形成绿色低碳生活方式.

最后, 影响家庭碳排放的因素是复杂且多样的, 尽管文中已得出了相应的分析结果, 但现有的调查结果只能反映现阶段的家庭消费碳排放量和排放特征, 并未形成时间序列以探究演变趋势. 提高数据的精确性和实时性可以有效阐释和指导家庭层面的节能减碳的方向, 在未来可以试图建立家庭能耗碳排放平台和数据库, 扩大样本的数量及范围, 进行数据监测和实时更新.

4 结论

（1）家庭碳排放的组成部分中, 能源消费、交通出行、购物和饮食习惯分别占比33.36%、15.14%、23.81%和27.90%；影响家庭碳排放的因素根据重要性从高到低依次是汽车类型、供暖方式、购买能效标识电器倾向、家庭规模、电力消费量和天然气消费量, 家庭选用新能源汽车、选择集中供暖和对高能效电器的购物倾向均可降低家庭碳排放；家庭规模扩大和电力、天然气消费量的增加对于家庭碳排放的影响是波动变化的；影响家庭碳排放的因素并非只取决于直接能源的消费量, 同时取决于居民的消费倾向.

（2）不同节能减碳措施的成本效益相差较大. 对于县城家庭, 选择高能效电器和更绿色的出行方式, 单位减碳成本最低；建筑节能改造的碳减排量最高；屋顶分布式光伏的碳量显著, 但单位减碳成本最高. 依据提出的节能减碳措施, 整县年碳排放量潜力可达52.67万t. 其中, 能源替代、建筑改造、家电升级和交通出行的减碳占比分别为17.81%、54.07%、2.52%和25.59%.

（3）从家庭节能减排视角, 政府在推动县城能源转型和低碳发展时, 可参考家庭单位碳减排成本, 优先选择低成本高效益的措施. 可采用有效的措施包括：优先推广新能源汽车普及, 倡导绿色出行方式；通过家电补贴, 重点引导节能电器的推广；结合“城市更新”等政策, 进一步推动老旧小区节能改造, 包括居住建筑保温、门窗改造和采暖系统等方面；并推动屋顶分布式光伏建设, 实现家庭传统能源替代.

参考文献
[1] 彭璐璐, 李楠, 郑智远, 等. 中国居民消费碳排放影响因素的时空异质性[J]. 中国环境科学, 2021, 41(1): 463-472.
Peng L L, Li N, Zheng Z Y, et al. Spatial -temporal heterogeneity of carbon emissions and influencing factors on household consumption of China[J]. China Environmental Science, 2021, 41(1): 463-472. DOI:10.3969/j.issn.1000-6923.2021.01.052
[2] Guan D B, Hubacek K, Weber C L, et al. The drivers of Chinese CO2 emissions from 1980 to 2030[J]. Global Environmental Change, 2008, 18(4): 626-634. DOI:10.1016/j.gloenvcha.2008.08.001
[3] 陈加友, 李鲜. 中国城乡居民碳排放的动态分解与效率评价研究[J]. 东岳论丛, 2023, 44(7): 138-149.
[4] 葛钰洁, 曲建升, 高欣悦, 等. 基于系统动力学的中国居民生活碳排放模拟[J]. 科技管理研究, 2022, 42(21): 239-246.
Ge Y J, Qu J S, Gao X Y, et al. Simulation of Chinese household carbon emission based on system dynamics[J]. Science and Technology Management Research, 2022, 42(21): 239-246. DOI:10.3969/j.issn.1000-7695.2022.21.028
[5] Nadimi R, Tokimatsu K. Modeling of quality of life in terms of energy and electricity consumption[J]. Applied Energy, 2018, 212: 1282-1294. DOI:10.1016/j.apenergy.2018.01.006
[6] 孙悦. 家庭碳排放及其影响因素研究——基于家庭生命周期视角的实证分析[J]. 人口学刊, 2022, 44(5): 86-98.
Sun Y. Research on household carbon emissions and its influencing factors——an empirical analysis based on the perspective of the family life cycle[J]. Population Journal, 2022, 44(5): 86-98.
[7] 王睿, 张赫, 冯兰萌. 中国县域规模结构对居民生活碳排放的影响关系研究——关键要素及代表性指标[J]. 现代城市研究, 2021(2): 126-132.
Wang R, Zhang H, Feng L M. Impact of China's county scale and structure on household carbon emissions: key elements and representative indicators[J]. Modern Urban Research, 2021(2): 126-132.
[8] 陈文胜, 李珊珊. 城乡融合中的县城: 战略定位、结构张力与提升路径[J]. 江淮论坛, 2023(5): 13-19.
Chen W S, Li S S. Counties in the combination of countryside and cities: strategic positioning, stracture tensile and ways of improving[J]. Jiang-Huai Tribune, 2023(5): 13-19.
[9] Zhang L W, Wen X N. Urban household energy consumption forecasting based on energy price impact mechanism[J]. Frontiers in Energy Research, 2021, 9. DOI:10.3389/fenrg.2021.802697
[10] 尚梅, 龚梦婷, 杨晴. 碳减排视角下家庭消费模式绿色转型及驱动因素研究[J]. 西安理工大学学报, 2023, 39(3): 339-352.
Shang M, Gong M T, Yang Q. Research on the green transformation and driving factors of household consumption pattern from the perspective of carbon emission reduction[J]. Journal of Xi'an University of Technology, 2023, 39(3): 339-352.
[11] 向书江, 杨春梅, 谢雨琦, 等. 近20年重庆市主城区碳排放的时空动态演进及其重心迁移[J]. 环境科学, 2023, 44(1): 560-571.
Xiang S J, Yang C M, Xie Y Q, et al. Spatiotemporal dynamic evolution and gravity center migration of carbon emissions in the main urban area of Chongqing over the past 20 years[J]. Environmental Science, 2023, 44(1): 560-571.
[12] Liu L C, Wu G, Wang J N, et al. China's carbon emissions from urban and rural households during 1992-2007[J]. Journal of Cleaner Production, 2011, 19(15): 1754-1762. DOI:10.1016/j.jclepro.2011.06.011
[13] 王春艳, 周雨澎, 尤恺杰, 等. 北京市居民家庭水—能消费活动碳核算及影响因素分析[J]. 中国环境管理, 2021, 13(3): 56-65.
Wang C Y, Zhou Y P, You K J, et al. Analysis of carbon emissions accounting and influencing factors of water-energy consumption behaviors in Beijing residents[J]. Chinese Journal of Environmental Management, 2021, 13(3): 56-65.
[14] 胡振, 龚薛, 刘华. 基于BP模型的西部城市家庭消费碳排放预测研究——以西安市为例[J]. 干旱区资源与环境, 2020, 34(7): 82-89.
Hu Z, Gong X, Liu H. Prediction of household consumption carbon emission in western cities based on BP model: case of Xi'an City[J]. Journal of Arid Land Resources and Environment, 2020, 34(7): 82-89.
[15] Trotta G. Factors affecting energy-saving behaviours and energy efficiency investments in British households[J]. Energy Policy, 2018, 114: 529-539.
[16] Han X, Wei C. Household energy consumption: state of the art, research gaps, and future prospects[J]. Environment, Development and Sustainability, 2021, 23(8): 12479-12504.
[17] 郭蕾, 赵益民. 需求层次差异下城镇居民消费碳排放影响因素研究——来自华北地区的证据[J]. 城市发展研究, 2022, 29(4): 110-117.
Guo L, Zhao Y M. Research on factors of carbon emissions from urban residents' consumption under different levels of demand: evidence from Northern China[J]. Urban Development Studies, 2022, 29(4): 110-117.
[18] 沈可, 史倩. 人口结构与家庭规模对生活能源消费的影响——基于中国省级面板数据的实证研究[J]. 人口研究, 2018, 42(6): 100-110.
Shen K, Shi Q. The impacts of population structure and household size on residential energy consumption: evidences based on provincial-level panel data[J]. Population Research, 2018, 42(6): 100-110.
[19] 任英华, 丁浩珂. 城镇碳排放影响因素分析——基于家庭消费STIRPAT模型[J]. 重庆理工大学学报(自然科学), 2020, 34(12): 256-263.
Ren Y H, Ding H K. Analysis of influencing factors on urban carbon emissions: based on extended household consumption STIRPAT model[J]. Journal of Chongqing University of Technology (Natural Science), 2020, 34(12): 256-263.
[20] 刘满芝, 刘贤贤. 中国城镇居民生活能源消费影响因素及其效应分析——基于八区域的静态面板数据模型[J]. 资源科学, 2016, 38(12): 2295-2306.
Liu M Z, Liu X X. Factors affecting Chinese urban household energy consumption and spatial differences based on static panel data modelling for eight regions[J]. Resources Science, 2016, 38(12): 2295-2306.
[21] 姜璐, 丁博文鹏, 周学伟, 等. 青海高原西宁城镇社区家庭能耗直接碳排放研究[J]. 地理科学, 2023, 43(1): 119-129.
Jiang L, Ding B W P, Zhou X W, et al. Household energy consumption and carbon emissions in Xining on Qinghai Plateau[J]. Scientia Geographica Sinica, 2023, 43(1): 119-129.
[22] 韩君, 牛士豪, 高瀛璐. 新发展阶段居民家庭碳排放核算及影响因素研究[J]. 兰州财经大学学报, 2023, 39(1): 68-80.
Han J, Niu S H, Gao Y L. Research on the accounting for household carbon emissions and influencing factors in the new development stage[J]. Journal of Lanzhou University of Finance and Economics, 2023, 39(1): 68-80.
[23] 王钦池. 家庭规模对中国能源消费和碳排放的影响研究[J]. 资源科学, 2015, 37(2): 299-307.
Wang Q C. Effects of household size on energy consumption and carbon emissions[J]. Resources Science, 2015, 37(2): 299-307.
[24] 胡振, 何晶晶, 李迎峰. 城市家庭居住碳排放的人口边际效应[J]. 人口与经济, 2018(6): 112-124.
Hu Z, He J J, Li Y F. Study on the marginal effect of residential carbon emissions on urban household[J]. Population & Economics, 2018(6): 112-124.
[25] 尚梅, 徐紫瑞, 闫晓霞, 等. 中国居民家庭碳排放动态演进及驱动因素研究[J]. 生态经济, 2023, 39(3): 23-30.
Shang M, Xu Z R, Yan X X, et al. Research on dynamic evolution and driving factors of household carbon emissions in China[J]. Ecological Economy, 2023, 39(3): 23-30.
[26] 王莉, 曲建升, 刘莉娜, 等. 1995-2011年我国城乡居民家庭碳排放的分析与比较[J]. 干旱区资源与环境, 2015, 29(5): 6 11.
Wang L, Qu J S, Liu L N, et al. Analysis and comparison of urban and rural household carbon emissions in China[J]. Journal of Arid Land Resources and Environment, 2015, 29(5): 6-11.
[27] 朱宏城, 田甜. 微观视角下居民消费碳排放结构及影响因素研究——基于PLS-SEM模型的实证分析[J]. 干旱区资源与环境, 2022, 36(1): 59-65.
Zhu H C, Tian T. Research on the carbon emission structure of household consumption and its influencing factors from the micro perspective[J]. Journal of Arid Land Resources and Environment, 2022, 36(1): 59-65.
[28] 华怡婷, 石宝峰. 互联网使用与家庭间接碳排放: 测度及影响因素分析[J]. 重庆大学学报(社会科学版), 2023, 29(1): 117-134.
Hua Y T, Shi B F. Internet usage and household indirect carbon emissions: measurement and impact factor analysis[J]. Journal of Chongqing University (Social Science Edition), 2023, 29(1): 117-134.
[29] 徐丽, 曲建升, 李恒吉, 等. 西北地区居民生活碳排放现状分析及预测[J]. 干旱区地理, 2019, 42(5): 1166-1175.
Xu L, Qu J S, Li H J, et al. Analysis and prediction of household carbon emission in Northwest China[J]. Arid Land Geography, 2019, 42(5): 1166-1175.
[30] 李双江, 陈艺璇, 王肖娅, 等. 城镇化进程中河北省居民生活消费碳排放特征及其影响因素[J]. 西南师范大学学报(自然科学版), 2023, 48(4): 101-108.
Li S J, Chen Y X, Wang X Y, et al. Characteristics and impacts of carbon emission on residents' living consumption of Hebei Province in urbanization[J]. Journal of Southwest China Normal University (Natural Science Edition), 2023, 48(4): 101-108.
[31] 尚梅, 张风斌, 胡振. 多维视角家庭碳排放驱动因素及脱钩效应分析——以陕西省为例[J]. 数学的实践与认识, 2022, 52(7): 12-23.
Shang M, Zhang F B, Hu Z. Analysis on the driving factors and decoupling effects of household carbon emissions from a multi-dimensional perspective: taking Shaanxi Province as an example[J]. Mathematics in Practice and Theory, 2022, 52(7): 12-23.
[32] United Nations Climate Change. Calculators - (Lifestyle Calculator -for individuals)[EB/OL]. https://unfccc.int/climate-action/climate-neutral-now, 2023-09-20.
[33] 朱海龙, 李萍萍. 基于岭回归和LASSO回归的安徽省财政收入影响因素分析[J]. 江西理工大学学报, 2022, 43(1): 59-65.
[34] 余文梦, 张婷婷, 沈大军. 基于随机森林模型的我国县域碳排放强度格局与影响因素演进分析[J]. 中国环境科学, 2022, 42(6): 2788-2798.
Yu W M, Zhang T T, Shen D J. County-levelspatial pattern and influencing factors evolution of carbon emission intensity in China: a random forest model analysis[J]. China Environmental Science, 2022, 42(6): 2788-2798.
[35] 郑玉华, 贾艺伟. 京津冀地区城市客运交通碳减排政策的成本效益分析[J]. 资源科学, 2022, 44(9): 1772-1784.
Zheng Y H, Jia Y W. Cost-benefit analysis of carbon emission mitigation policies for urban passenger transport in the Beijing-Tianjin-Hebei region[J]. Resources Science, 2022, 44(9): 1772-1784.
[36] 国家气候战略中心. 2021年度减排项目中国区域电网基准线排放因子[EB/OL]. https://ccer.cets.org.cn/notice/noticeDetail?bulletinInfoId=1175122354980917248, 2023-11-17.
[37] Shan Y L, Guan D B, Zheng H R, et al. China CO2 emission accounts 1997—2015[J]. Scientific Data, 2018, 5(1). DOI:10.1038/sdata.2017.201
[38] 郑新业, 魏楚, 虞义华, 等. 中国家庭能源消费研究报告(2016)[M]. 北京: 科学出版社, 2017.
Zheng X Y, Wei C, Yu Y H, et al. Chinese household energy consumption report (2016)[M]. Beijing: Science Press, 2017.
[39] 朱丽, 马俊榕, 马秀峰. 面向暴雨洪涝灾害的海滨区域敏感性要素分析[J]. 灾害学, 2022, 37(2): 71-78.
Zhu L, Ma J R, Ma X F. Analysis of sensitivity factors in coastal areas for heavy rainfall and flooding[J]. Journal of Catastrophology, 2022, 37(2): 71-78.
[40] 魏伟, 曾诗瑶, 尹力, 等. 近40年海南岛国土空间格局演化的生态效应及其影响因素[J]. 生态学报, 2024, 44(12): 5083-5101.
Wei W, Zeng S Y, Yin L, et al. Ecological effects and its influencing factors of Hainan Island's territorial spatial pattern evolution in the past 40 years[J]. Acta Ecologica Sinica, 2024, 44(12): 5083-5101.
[41] 李涛, 牛雪寒, 韦艳, 等. 中国居民消费碳排放与家庭异质性的关系研究——基于中国家庭追踪调查数据[J]. 环境科学与管理, 2023, 48(7): 44-49.
Li T, Niu X H, Wei Y, et al. Study on relationship between carbon emissions from household consumption and household heterogeneity——based on data of China family panel studies[J]. Environmental Science and Management, 2023, 48(7): 44-49.
[42] 国家能源局综合司. 关于公布整县(市、区)屋顶分布式光伏开发试点名单的通知[EB/OL]. https://zfxxgk.nea.gov.cn/2021-09/08/c_1310186582.htm?eqid=fed31b3a00097580000000046426db97, 2021-09-08.
[43] 国家能源局. 关于2022年度全国可再生能源电力发展监测评价结果的通报[EB/OL]. http://zfxxgk.nea.gov.cn/2023-09/07/c_1310741874.htm, 2023-09-07.
[44] 雷小苗, 何继江, 杨守斌, 等. 能源转型视域下"零碳乡村"的可行性和环保性——以陕西关中C县F村为例[J]. 北京理工大学学报(社会科学版), 2020, 22(5): 32-41.
Lei X M, He J J, Yang S B, et al. Feasibility and environmental protection of "zero carbon rural" from the perspective of energy transition——take F village in middle area of Shaanxi Province as an example[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2020, 22(5): 32-41.
[45] 周志宇. 采暖地区居住建筑节能改造的成本效益分析[D]. 北京: 清华大学, 2014.
Zhou Z Y. A cost-benefit analysis of energy efficiency improvement of existing residential building in northern China[D]. Beijing: Tsinghua University, 2014.
[46] 贾君君. 居民部门节能和碳减排: 消费者行为、能效措施和政策工具[D]. 合肥: 中国科学技术大学, 2018.
Jia J J. Energy-saving and carbon mitigation in the residential sector: consumer behavior, energy efficiency measures and policy instruments[D]. Hefei: University of Science and Technology of China, 2018.
北方县城家庭碳排放影响因素及减排成本分析：以河北丰宁县为例
马晋龙, 曹梦莹, 葛蓓清