2024, Vol. 45
2. 山西大学经济与管理学院, 太原 030006;
3. 上海市污染控制与生态安全研究院, 上海 200092;
4. 同济大学环境科学与工程学院, 碳中和研究院, 上海 200092;
5. 盛虹集团有限公司, 苏州 215168
, GAN Jing-jing1 , ZHANG Ren-tao2 , XU Chen-ye1 , SHEN Chen-si1,3 , GUO Ru3,4 , QIAN Qin-fang5 , TANG Jun-song5 , LI Fang1,3
2. School of Economics and Management, Shanxi University, Taiyuan 030006, China;
3. Shanghai Institute of Pollution Control and Ecological Security, Shanghai 200092, China;
4. College of Environmental Science and Engineering, Institute of Carbon Neutrality, Tongji University, Shanghai 200092, China;
5. Shenghong Group Co., Ltd., Suzhou 215168, China
经济的快速发展, 生活方式的改变和消费规模的扩大[1], 促使全球纺织服装行业迅速发展.纺织服装行业的发展对环境的影响是广泛而深刻的[2].此外, 由于纺织服装行业庞大复杂的供应链和能源密集型的生产方式, 其贡献了全球约10%的温室气体排放, 所造成的能源消耗量甚至超过了航空及船运业的总和[2, 3].作为我国国民经济的支柱行业之一, 纺织行业具有高能耗和高污染排放的特点[4].在节能减排绿色转型背景下, 减少能源消耗与控制温室气体排放已成为我国纺织行业可持续发展的重要任务.
构建碳排放清单是厘清行业碳排放情况的先决条件.目前, 碳排放清单的建立大多针对重工业, 如火电行业[5]、钢铁行业[6]和水泥行业[7]等, 而对于纺织行业的碳排放清单研究还较为有限且年份较早.师佳等[8]通过排放系数法对我国纺织服装行业2000~2019年碳排放量进行测算.巩小曼等[9]测算了1997~2017年新疆纺织服装行业（包括化纤制造、纺织和服装业）的碳排放量, 并对行业的碳排放量与经济发展进行了脱钩分析.王来力等[10]对1991~2009年纺织服装行业（包括纺织业、纺织服装、鞋和帽制造业）能源消耗造成的碳排放进行了核算并通过因素分解确定了影响排放的主要因素.然而, 不同的研究在排放因子的选取上存在较大差异.同时, 在对碳排放的核算与影响碳排放的驱动因素分析中, 研究尺度多集中在对国家[11, 12]或其他高碳排行业[13], 相关研究由于驱动因素的贡献大小或方向存在时空差异和阶段性不同等特征[14].目前对于纺织行业碳排放变化驱动因素的研究仍然较少.
纺织行业的生产过程中能源和资源投入量较大, 对能源与资源的利用效率有待提高.污染物的排放并未得到有效控制而造成了环境问题, 最终形成了高污染、高排放的粗犷型发展模式[15].虽然我国纺织行业体系较为完善且产业链齐整, 但其生产效率尚不明确, 行业碳排放效率的时空演化特征的研究还存在不足.此外, 通过LMDI因素分解方法得到的纺织行业碳排放效率更多体现单一要素指标视角, 不能很好地定量描述分解因素对碳排放量的长期效应, 且默认分解因素对排放量的影响程度等价[16].而基于非期望产出的超效率SBM模型已经被广泛应用于评估不同行业（如：航空业[17, 18]、制造业[19]、建筑业[20]、物流业[21]、农业[22]和煤炭采选业[23]等）、不同工艺技术的生产效率、区域或行业碳排放效率和环境效益[24].该模型能够基于全要素视角对行业的碳排放效率进行测算和分析[25].充分考虑了经济、环境和能源之间的关系, 纳入多种投入要素作为综合评估结果.因此, 有必要通过超效率SBM模型对纺织行业碳排放效率与经济发展之间的关联关系进行深入研究.
长三角生态绿色一体化发展示范区（“示范区”）横跨两省一市, 是长三角一体化发展国家战略的先手棋和突破口[26].示范区区位条件优越、乡镇经济发达, 历史文化底蕴丰厚, 力争在未来打造生态友好一体化发展的样本, 有效推动减污降碳协同增效, 切实助力长三角一体化发展国家战略.纺织行业作为示范区的重要产业之一, 有必要对其碳排放清单进行梳理, 分析地区纺织行业碳排放及全要素碳排放效率的时空变化特征.在此基础上, 通过因素分解法LMDI, 识别示范区内纺织行业温室气体排放的主要驱动因素, 探究行业碳排放与经济发展的脱钩关系.本研究旨在为示范区制定纺织行业碳达峰与碳中和政策提供科学依据, 并为区域纺织行业绿色低碳转型行动提供合理建议参考.
1 材料与方法 1.1 示范区概况示范区位于上海市、浙江省和江苏省的交界处, 于2019年成立, 其行政范围包括上海市青浦区、江苏省苏州市吴江区和浙江省嘉兴市嘉善县“两区一县”（图 1）.吴江区作为江苏省的“南大门”, 是对接示范区的“桥头堡”.吴江区拥有化纤、纺纱（丝）、织造、染整、服装和贸易的完整产业链, 2020年纺丝产量约为500万t、织造产量（以布计）近200亿m和印染布产能约为85亿m[27].吴江区纺织业不仅是示范区经济发展的重要组成, 更是在全国纺织产业链中具有举足轻重的地位.青浦区的纺织产业仅保留部分服装和高新产业用纺织品企业, 其经济产值占青浦的总体份额较小, 其行业产值在2020年为273 110万元[28].嘉善县的纺织服装产业是该地区的“老四样”主导产业之一, 2020年纺织行业规模以上工业总产值高达428 380万元[29].
|
图 1 长三角生态绿色一体化发展示范区地理位置示意 Fig. 1 Location map of the demonstration zone of green and integrated ecological development of the Yangtze River Delta |
社会经济、能源消耗和主要纺织品产量数据来源于2014~2021年《吴江统计年鉴》《青浦统计年鉴》《嘉兴统计年鉴》《苏州市统计年鉴》《中国统计年鉴》《中国工业统计年鉴》以及各行业协会发布的相关报告.其中, 嘉善县纺织行业分能源品种消耗数据由嘉善县与嘉兴市纺织行业综合能源消耗比例推算得到, 其印染布产量由嘉善县行业规模与吴江区行业规模比例推算得到；青浦区纺织行业能源消耗数据不包括分能源品种数据.其他个别缺失数据运用插值法填补.
2 示范区纺织行业碳排放清单建立与分析方法 2.1 碳排放清单的建立示范区内纺织行业碳排放（CE）主要包括4个部分[公式（1）]：化石能源消耗排放（CEe）、热力消耗排放（CEh）、电力消耗排放（CEele）和工业废水处理排放（CEwastewater）.
|
(1) |
由化石能源消费总量产生的直接温室气体排放、热力消耗排放和电力消耗排放分别由公式（2）~（4）计算得出：
|
(2) |
|
(3) |
|
(4) |
式中, ADj表示化石能源j的消费量, 单位为t；NCVj表示“净热值”, 指化石能源j燃烧产生的每物理单位的热值, 单位为TJ·（104 t）-1或TJ·（108 m³）-1；CCj表示化石能源j的“含碳量”, 用于量化每单位净热值的碳含量, 单位为t·TJ-1；Oj表示化石能源j的氧化率, 指化石能源在燃烧过程中的氧化效率, 无量纲；44/12表示碳原子转换为二氧化碳分子的转换系数. ADh表示热力消耗量, 单位为GJ；EFh表示热力排放因子（以CO2计）, 单位为t·GJ-1；ADele表示电力消耗量, 单位为MW·h；EFele表示电力排放因子（以CO2计）, 单位为t·（MW·h）-1；为了使排放量更贴合中国实际, 化石能源消耗的排放因子的选取基于中国能源品质的实测排放因子及CEADs团队研究成果[30, 31], 如表 1.
|
表 1 各类化石能源净热值、含碳量和氧化率 Table 1 Net calorific value, carbon content, and oxidation rate of various fossil energy sources |
2.1.2 废水处理过程排放
纺织行业中主要废水由印染环节产生, 占比约80%[32].示范区是国内重要的印染集聚区, 以涤纶、涤棉印染产品为主.此外, 吴江和嘉善地区拥有大量的长丝织造企业, 产生上浆废水和喷水织机废水.在印染和织造废水处理过程中, 厌氧生化法（水解酸化）是普遍采用的工艺之一, 该过程会产生甲烷, 其导致全球变暖的潜势也不容忽视.纺织废水处理过程造成的温室气体排放CEwastewater由公式（5）计算.
|
(5) |
式中, CODremoved表示废水处理过程中去除的COD的量, 单位为kg；EFCH 4表示处理过程甲烷的排放因子[33], 0.075, 单位为t（以CH4/CODremoved计）；GWPCH 4表示甲烷的升温潜势值, 27.9.
2.2 非期望产出的超效率SBM分析模型Tone[34]提出的SBM模型是对传统DEA模型的改进, 在解决径向和角度偏差的基础上, 能够更准确地评估投入和产出之间的关系, 实现对决策单元的有效排序[35].通过非期望产出的超效率SBM模型来测算示范区2014~2021年纺织行业的碳排放效率.构建碳排放效率模型时, 将各区域的排放效率分别视作一个决策单元（假设共有n个决策单元）, 在每个决策单元中, 分别包含m个投入指标, s1种期望产出和s2种非期望产出[36].
|
(6) |
|
(7) |
|
(8) |
式中, X和Y分别表示投入和产出变量向量矩阵, Yg和Yb分别表示期望产出和非期望产出, 且X > 0, Yg > 0, Yb > 0.生产可能性集合（P）则定义为：
|
(9) |
式中, λ表示观测值的权重, 若生产技术为可变规模报酬, 则权重之和为1, 若权重之和不为1, 则生产技术为不变规模报酬.基于此, 非期望产出的SBM模型表示为：
|
(10) |
|
(11) |
式中, ρ*表示决策单元的效率, s-、sg和sb分别表示投入松弛变量、期望产出松弛变量和非期望产出松弛变量.
2.3 示范区温室气体排放驱动因素分解模型Kaya恒等式由日本学者Kaya[37]首次提出, 在研究中被广泛用于解决碳排放的要素分解问题[38].以Kaya恒等式变形为基础的LMDI分解模型因能消除残差项[39], 能更好地用于分析各因素对示范区纺织行业碳排放的影响程度.研究考虑到连续分解的计算方式对驱动因素进行逐年求和比直接计算2014年和2021年两年, 更能反映出不同因素的时间变化, 使得分解结果更为精准合理[40].因此, 为从能源和行业角度更好地分析碳排放的驱动因素, 本文将Kaya恒等式应用于LMDI分解模型中, 对碳排放的驱动因素进行分解, 讨论各影响因素的贡献.基于LMDI的分解模型如下：
|
(12) |
|
(13) |
式中, CE表示纺织行业碳排放总量（以CO2 eq计）, 单位为104 t；E表示能源消费总量, 以标煤记（ce）, 单位为104 t；GDPt表示纺织行业产值, 单位为万元；GDPm表示制造业产值, 单位为万元；POPm表示制造业从业人数, 单位为人.其中, CEF表示单位能源消耗的碳排放量, 即碳排放效率因子；EI表示行业单位GDP的能源消耗, 即能源强度；IS表示纺织行业与制造业产值的比值, 即行业规模；ED表示制造业人均GDP, 即制造业经济发展水平；P表示人口数量变化, 即人口规模效应.
根据LMDI的“加和分解”, 基期碳排放为CE0, 目标期（T期）的碳排放量为CET, 从基期到目标期的碳排放量变化（ΔCE）可表示为：
|
(14) |
其中：
|
(15) |
|
(16) |
|
(17) |
|
(18) |
|
(19) |
脱钩理论是经合组织（OECD）提出的用于形容阻断经济增长和资源消耗或环境污染之间联系的基本理论[41], 常被用于衡量经济发展与资源消耗及环境污染之间的关系.Tapio将LMDI分解引入到脱钩理论, 根据脱钩指标将研究对象分为3种状态8种情形[42].运用脱钩理论探究示范区纺织业碳排放与行业经济规模之间的关系, 其中脱钩为理想状态, 即保持行业经济规模不断发展的同时, 控制行业碳排放的增长, 实现碳排放零增长甚至负增长.而出现负脱钩则表示行业经济发展与碳排放处于失衡状态, 继续推动经济发展将造成更多二氧化碳排放.连接状态则表示经济发展与碳排放量同步变化的情形, 说明二者间仍存在较大关联性.运用Tapio脱钩模型[43]（式20）, 对示范区纺织行业经济发展与碳排放之间的脱钩关系进行分析.
|
(20) |
式中, ɛ表示经济发展与碳排放的脱钩指数, ΔCE表示当年碳排放量相较于基准年的变化量, CE0表示基准年的碳排放量, ΔGDPt表示当年纺织行业生产总值与基准年的变化量, GDPt0表示基准年纺织行业生产总值.根据ɛ, ΔCE和ΔGDPt脱钩状态共分为8种, 如表 2所示.
|
|
表 2 脱钩状态的划分 Table 2 Division of the decoupling status |
3 结果与讨论 3.1 示范区纺织行业碳排放测算及时空变化分析
如图 2所示, 2014~2021年示范区内纺织行业碳排放量整体呈现波动状态, 在研究时间段内, 碳排放总量（以CO2 eq计, 下同）在764.93万~919.39万t之间, 整体并未出现明显的下降趋势.而碳排放强度的变化整体呈现波动式下降的趋势, 整体由2014年的1.43 t·万元-1下降到2021年的1.28 t·万元-1.碳排放强度的降低意味着示范区纺织行业碳排放效率的提高.在这期间, 行业碳排放的最高点出现在2019年, 为919.39万t, 而排放强度最大的年份是2016年, 为1.59 t·万元-1, 排放量与排放强度的峰值并不同步.虽然2019年示范区纺织业碳排放为近几年最高, 但不能认定地区纺织业碳排放已经达峰.同时近两年经济正逐步复苏, 示范区纺织业碳排放量也呈现出上升趋势.
|
图 2 2014~2021年示范区纺织行业碳排放量及碳排放强度 Fig. 2 Carbon emissions and carbon emission intensity of the textile industry in the demonstration zone from 2014 to 2021 emissions by region |
从不同区域而言（图 2）碳排放与行业规模和发展水平呈现正相关.吴江区排放量在示范区中占绝对地位, 历年占比均超过90%, 自2019年起, 其占比甚至高于94%；而青浦区和嘉善县的排放量最大占比仅为0.74%（2014年）和6.22%（2017年）.从区域的不同排放源来看（图 3）, 吴江区和嘉善县两个地区的电力消耗所造成的碳排放分别占地区总排放的45.45%和44.51%；其中, 吴江区纺织行业电力消耗的碳排放在2019年时达到最大, 为401.62万t.而纺织行业由于电力消耗所造成的碳排放在近两年呈现下降趋势的原因：一方面新冠疫情对纺织业生产造成了一定影响, 如2021年吴江区印染布产量相较于2019年下降约26.52%；另一方面“双碳”目标提出后, 我国清洁电力占比不断提高, 使得如纺织业等以电力为主的能源消耗行业所造成间接的二氧化碳排放有所下降.吴江区的热力消耗排放占比总体上呈上升趋势, 由2014年的26.34%上升到2021年的31.77%, 与该地区印染行业的规模增加相关.因为印染过程中, 蒸汽是主要的能源供应且消耗量较大.嘉善县热力消耗的排放占比呈现出相同趋势, 到2021年占比达到36.45%.一次化石能源消耗的排放占比中, 原煤是主要来源.由原煤造成的碳排放平均占比在吴江区中超90%；但整体呈现下降趋势, 由2014年的98.92%（172.98万t）下降到2021年的78.66%（106.49万t）.而嘉善县原煤消耗的碳排放占比更是由2014年的95.28%（7.69万t）下降至2021年的24.92%（0.99万t）.这主要由于2019年前, 我国纺织业能源消耗的结构相对单一, 生产过程中所必须的蒸汽大多是通过燃煤锅炉提供, 导致行业对煤炭的使用依赖性较强[44].此后, 受国家提倡“煤改气”政策行动的影响[45], 示范区内纺织业煤炭的能源消费总量占比呈现下降趋势, 由最高的95.17%（2016年）下降到73.85%（2021年）.同时, 用天然气替代煤炭, 不仅降低了纺织业对使用煤炭的依赖, 还对行业碳减排有促进作用.
|
图 3 2014~2021年吴江区和嘉善县两地排放类型占比 Fig. 3 Percentage of emission categories in Wujiang District and Jiashan County from 2014 to 2021 |
基于构建的非期望产出的超效率SBM模型对示范区“两区一县”的全要素碳排放效率进行测算, 时间范围为2014~2021年.从时间上看, 吴江区纺织行业碳排放效率呈现出先降后升趋势, 在2016年碳排放效率最低为0.679, 随后逐年上升.吴江区作为示范区纺织行业规模最大的地区, 早期碳排放效率低可能是由于其纺织设备老旧, 所需能源消耗量大造成的.而该地区碳排放效率的逐年提高, 与地区为纺织行业节能减排而推行的政策行动相关, 如自2017年9月起吴江区纺织行业综合整治三年工作目标中淘汰低端喷水织机10万台[46], 《吴江区印染产业转型提升专项规划》中明确提出以节能减排为核心, 降低单位产品排放等.受“新冠”疫情影响, 地区碳排放效率在2020年时略有下降.而青浦区纺织行业碳排放效率则保持了逐年稳步上升的趋势, 并在2017年后始终保持在1以上, 呈现出较高的效率水平.相较于吴江区和青浦区, 嘉善县的碳排放效率则呈现反复波动趋势, 在2016年后到2019年时再次达到效率值超过1, 但随后碳排放效率值却突变降至0.546.示范区内, 嘉善县的碳排放效率提升空间较大.此外, 由表 3可以看出, 示范区整体的碳排放效率并不是3个地区的排放效率的简单算术均值, 其中可能还存在更多潜在因素的影响值得进一步研究.
|
|
表 3 示范区碳排放效率 Table 3 Carbon emission efficiency of demonstration zone |
为进一步探究示范区内纺织行业碳排放效率在研究时间范围内的时序演变特征, 本研究基于长时间序列, 选取2014~2021年份截面数据, 利用核密度参数估计来描述示范区纺织行业碳排放效率的动态演进特征, 如图 4.通过核密度曲线的三维透视图直观反映示范区碳排放效率的动态变化趋势.从波峰分布位置看, 碳排放效率核密度曲线的中心随着时间的推移呈现逐渐向右移动的趋势, 意味着纺织行业的碳排放效率不断提高, 呈现出良好的发展态势.从波峰数量的演变趋势来看, 2014年的核密度曲线呈现双峰结构, 表明该年内碳排放效率存在较大差异.其他年份的核密度曲线主要呈现单峰结构, 说明示范区地区碳排放效率相对集中, 并不存在有明显差异较大的区域.从核密度曲线的延展性来看, 曲线在2014年、2016年和2020年均出现了明显的向右拖尾特征, 表明目标年内示范区碳排放效率不一致且存在明显两级分化现象.
|
图 4 碳排放效率核密度曲线分布 Fig. 4 Carbon emission efficiency nuclear density curve distribution |
通过LMDI因素分解模型对示范区2015~2021年碳排放变化总量进行分解, 得到碳排放效率因子、能源强度、行业规模、经济发展水平和人口规模效应对碳排放的贡献, 结果如图 5所示.总体上, 能源强度和经济发展水平是示范区纺织行业碳排放的主要驱动因素.在5个分解因素当中, 经济发展水平主要呈现正向驱动作用, 促进纺织行业碳排放.能源强度和人口规模效应整体呈现反向驱动作用, 抑制纺织行业碳排放.
|
黑色柱子表示当年碳排放量, 彩色柱子表示相应驱动因素, 数值表示对应贡献率, 箭头上方数字表示碳排放量变化率 图 5 2015~2021年示范区各地区纺织行业碳排放变化驱动因素分解 Fig. 5 Decomposition of drivers of carbon emission changes in the textile industry by regions in the demonstration zone from 2015 to 2021 |
对于吴江区而言, 纺织行业经济发展水平在这一时间段内均为正值且均超过10%, 说明纺织行业的经济发展水平对行业碳排放量起到了促进作用.特别是2017~2019年间, 纺织行业的总产值累计增长了11.25%, 经济的发展促使行业对能源需求的上升, 从而导致碳排放量增长到近些年的峰值.而吴江地区纺织行业碳排放的下降则主要由于行业规模的缩减、人口规模效应以及碳排放效率因子的降低.随着吴江区纺织行业对煤炭依赖程度的降低, 尤其是2019~2021年间, 碳排放效率因子的降低抑制了碳排放量的增加.此外, 随着纺织行业规模的缩减, 在制造业中的占比不断降低, 由2014年的15.33%下降至2021年的12.18%, 行业规模的缩减抑制了行业总体碳排放的增长.在这一时间段内, 行业规模的缩减也造成了从业人员数量的下降.对于吴江区和青浦区, 其制造行业从业人员分别从27.77万人, 19.36万人下降到24.31万人和12.99万人, 下降比例分别达到12.47%和32.89%.从业人员数量的下降也间接造成了该区域碳排放量的降低.而对于嘉善县来说, 其制造行业从业人员在该时间段内, 由21.48万人上升到了22.20万人.在人口规模效应方面有较大的减排潜力, 未来应积极应对人口增加引发的能源、资源问题, 利用人口集聚带来的丰富劳动力和高水平人才, 促进该地区纺织行业的创新发展.行业经济发展水平也是促进青浦区和嘉善县纺织行业碳排放量的主要原因, 这可能是受2020年新冠疫情的影响, 导致大量的纺织企业不能按时开工, 经济发展受抑制的程度明显超过碳排放.2020年吴江区和嘉善县的纺织行业产值相较于2019年分别下降了9.54%和26.81%, 其影响程度与经济受抑制程度呈正相关.受益于能源强度的大幅度下降使得青浦区总体的排放量由2015年的4.45万t下降到2021年的2.44万t, 下降幅度为45.17%.而得益于行业规模的下降以及碳排放效率因子的下降使得嘉善县纺织行业的碳排放量在2019~2021年间仍然保持下降趋势.
3.4 示范区纺织行业碳排放与纺织行业经济脱钩分析脱钩指数代表了行业经济发展与碳排放两者之间的关系.首先, 研究2014~2021年整个长时间周期内, 示范区内“两区一县”的纺织行业经济发展与碳排放的脱钩情况, 以首年2014年为基准年逐年计算“两区一县”碳排放脱钩指数, 并与示范区整体脱钩情况相比较.表 4为各阶段示范区内区域与整体的纺织行业碳排放与经济发展之间的脱钩情况.从中可知, 示范区整体的脱钩状态以负脱钩至脱钩之间反复变动.在2016~2017年间, 整体呈现强脱钩状态, 意味着这段时间内纺织行业碳排放量持续降低, 行业经济不断发展, 是实现绿色低碳转型的理想状态.从各区域脱钩情况来看, 吴江区的脱钩情况与示范区整体脱钩变换情况相类似.对于青浦区, 研究时间段内更多呈现衰退脱钩状态, 意味着纺织行业碳排放降低, 经济发展同样呈现衰退状态, 但碳排放的下降速度要超过经济的衰退速度.在2020~2021年间受行业发展状况, 脱钩情况由强脱钩转变为增长负脱钩, 意味着碳排放量有所增加, 行业经济同样增加, 但是碳排放的增加速度大于经济发展增速, 说明该时间段内, 行业经济发展消耗过多的能源, 属于高碳经济发展状态.与“两区”脱钩情况相反, 嘉善县整体脱钩情况则是由脱钩状态向负脱钩状态进行转变.证明该区域的行业减排工作仍需高度重视.对比表 4可以发现, 示范区整体脱钩情况并不等于“两区一县”各脱钩情况的简单算术加和, 同时示范区整体以及各区域的脱钩情况与碳排放效率结果存在一定的滞后性.
|
|
表 4 2014~2020年示范区纺织行业各时期经济发展与碳排放脱钩相关指标结果 Table 4 Decoupling elasticity of GDP and carbon emission in the textile industry in the demonstration zone from 2014 to 2020 |
4 建议
综上所述, 针对示范区纺织行业低碳绿色转型与经济高质量发展, 提出以下建议：
（1）从地区碳排放量和碳排放效率差异来看, 考虑纺织行业在不同地区的规模和发展状况, 应因地制宜采取差异化的减排行动指南.注重调整能源结构并大力支持绿色能源的应用是示范区纺织行业节能降碳的重要途径.推动使用清洁能源, 降低对煤炭使用的依赖；鼓励采用可再生能源或更环保的电力供应方式, 如风电, 水电等, 以减少电力消耗排放；加强高温废水余热、蒸汽冷凝水余热以及定型机废气等余热回收利用, 以降低单位产品能源和资源消耗量.
（2）充分发挥吴江区作为示范区纺织行业龙头地区的示范作用, 加强地区之间交流与合作, 共同探讨解决方案, 推动行业整体绿色转型.重点关注嘉善县纺织行业碳排放效率, 优化该地区行业结构, 鼓励该地区行业进行产业升级, 提高产品附加值, 向高端价值链迈进.给予一定的政策指导和财政支持以促进其碳排放效率的提高.
（3）示范区内纺织行业经济发展水平是示范区纺织行业碳排放量的主要正向驱动因素.应注重纺织行业的经济发展质量, 避免粗犷型发展模式, 着重兼顾经济与环境可持续的协同发展.此外, 可利用示范区周边区域的发展优势, 依托自身行业技术和经济优势, 促进形成行业绿色发展集群.
5 结论（1）示范区作为长三角一体化发展国家战略的先手棋和突破口, 对示范区纺织行业的碳排放清单、碳排放效率时空特征、碳排放驱动因素以及行业经济与碳排放的脱钩关系开展研究, 对长三角地区纺织行业依据实际情况制定符合自身发展特点的碳减排路线和政策规划具有重要的指导意义.本研究以示范区为研究对象, 核算了纺织行业多个范围的碳排放量, 基于非期望产出的超效率SBM模型评估了示范区主要区域2014~2021年的碳排放效率, 并结合LMDI分解法和Tapio脱钩法对地区纺织行业碳排放的驱动影响因素和脱钩指数进行深入分析, 可知示范区纺织行业碳排放呈现波动状态, 没有明显的达峰趋势, 碳排放强度则整体呈现下降趋势.从地区分布来看, 吴江区是主要的碳排放地区（平均占94.56%）；从排放源分布来看, 电力消耗排放, 热力消耗排放以及煤炭消耗排放是示范区纺织行业碳排放的主要来源.
（2）通过非期望产出的SBM超效率模型对示范区纺织行业的全要素碳排放效率值进行测算发现, 示范区整体碳排放效率整体呈现上升趋势.从地区来看, 示范区内部纺织行业存在明显发展差异.嘉善县纺织行业的碳排放效率呈现波动状态, 整体改善空间较大.在研究时间范围内的不同时间段中, 地区纺织业二氧化碳排放的驱动因素有着明显变化.在2015~2017年间, 能源强度是示范区纺织行业碳排放的主要负向驱动因素.经济发展水平是纺织行业碳排放的主要正向驱动因素.在2019~2021年间, 碳排放效率的负向驱动影响开始逐渐增加.利用脱钩指数对示范区纺织行业经济产值与碳排放的耦合关系进行计算发现, 2014~2021年, 示范区纺织行业主要处于负脱钩和脱钩两种状态.整体上来看, 示范区纺织行业由负脱钩向脱钩的转变, 有助于地区纺织行业未来尽快实现碳达峰.
| [1] | Hubacek K, Feng K S, Chen B. Changing lifestyles towards a low carbon economy: An IPAT analysis for China[J]. Energies, 2012, 5(1): 22-31. |
| [2] | Niinimäki K, Peters G, Dahlbo H, et al. The environmental price of fast fashion[J]. Nature Reviews Earth & Environment, 2020, 1(4): 189-200. |
| [3] | United Nations Climate Chang. UN helps fashion industry shift to low carbon[EB/OL]. https://unfccc.int/news/un-helps-fashion-industry-shift-to-low-carbon, 2018-09-06. |
| [4] | Zhang S Y, Xu C Y, Xie R M, et al. Environmental assessment of fabric wet processing from gate-to-gate perspective: Comparative study of weaving and materials[J]. Science of the Total Environment, 2023, 857. DOI:10.1016/j.scitotenv.2022.159495 |
| [5] | Shahbazi H, Abolmaali A M, Alizadeh H, et al. Development of high-resolution emission inventory to study the relative contribution of a local power plant to criteria air pollutants and Greenhouse gases[J]. Urban Climate, 2021, 38. DOI:10.1016/j.uclim.2021.100897 |
| [6] | Lei T Y, Wang D P, Yu X, et al. Global iron and steel plant CO2 emissions and carbon-neutrality pathways[J]. Nature, 2023, 622(7983): 514-520. DOI:10.1038/s41586-023-06486-7 |
| [7] | Andrew R M. Global CO2 emissions from cement production, 1928-2018[J]. Earth System Science Data, 2019, 11(4): 1675-1710. DOI:10.5194/essd-11-1675-2019 |
| [8] |
师佳, 宁俊. 我国纺织服装行业碳排放影响因素及达峰预测[J]. 北京服装学院学报(自然科学版), 2022, 42(3): 66-74. Shi J, Ning J. Influencing factors and peak prediction of carbon emission in China's textile and garment industry[J]. Journal of Beijing Institute of Fashion Technology (Natural Science Edition), 2022, 42(3): 66-74. |
| [9] |
巩小曼, 柳疆梅, 衣芳萱, 等. 新疆纺织服装行业碳排放与经济增长的关系研究[J]. 丝绸, 2021, 58(2): 79-84. Gong X M, Liu J M, Yi F X, et al. The study on the relationship between carbon emission and economic growth of the textile and apparel industry in Xinjiang[J]. Journal of Silk, 2021, 58(2): 79-84. |
| [10] |
王来力, 吴雄英, 丁雪梅, 等. 中国纺织服装行业能源消费碳排放因素分析[J]. 环境科学与技术, 2013, 36(5): 201-205. Wang L L, Wu X Y, Ding X M, et al. Analysis of carbon emission for energy consumption in China's textiles and clothing sectors[J]. Environmental Science & Technology, 2013, 36(5): 201-205. |
| [11] | Zhao X T, Burnett J W, Fletcher J J. Spatial analysis of China province-level CO2 emission intensity[J]. Renewable and Sustainable Energy Reviews, 2014, 33: 1-10. DOI:10.1016/j.rser.2014.01.060 |
| [12] |
许士春, 习蓉, 何正霞. 中国能源消耗碳排放的影响因素分析及政策启示[J]. 资源科学, 2012, 34(1): 2-12. Xu S C, Xi R, He Z R. Influential factors and policy implications of carbon emissions for energy consumption in China[J]. Resources Science, 2012, 34(1): 2-12. |
| [13] |
王智琦, 李建国, 彭彬彬, 等. 西部地区交通碳排放的驱动因素与脱钩效应分析[J]. 环境工程, 2023, 41(10): 213-222. Wang Z Q, Li J G, Peng B B, et al. Driving factors and decoupling effect analysis of transportation carbon emissions in western China[J]. Environmental Engineering, 2023, 41(10): 213-222. |
| [14] |
陈亮, 张楠, 王一帆, 等. 京津冀地区碳排放强度变化的驱动因素及其归因分析[J]. 中国环境科学, 2023, 43(8): 4382-4394. Chen L, Zhang N, Wang Y F, et al. Driving factors and attribution analysis of carbon emission intensity change of Beijing-Tianjin-Hebei Region[J]. China Environmental Science, 2023, 43(8): 4382-4394. |
| [15] |
刘通, 王向前. "一带一路"中国沿线地区工业生产效率评价[J]. 石家庄铁道大学学报(社会科学版), 2023, 17(3): 23-29. Liu T, Wang X Q. Evaluation of industrial production efficiency of regions along the BRI in China[J]. Journal of Shijiazhuang Tiedao University (Social Science Edition), 2023, 17(3): 23-29. |
| [16] |
王玲. 环境效率测度的比较研究[D]. 重庆: 重庆大学, 2014. Wang L. Comparative study on measuring environmental efficiency[D]. Chongqing: Chongqing University, 2014. |
| [17] |
牟健. 我国航空公司碳排放效率及影响因素研究[D]. 广汉: 中国民用航空飞行学院, 2023. Mou J. Research on carbon emission efficiency and influencing factors of Chinese airlines[D]. Guanghan: Civil Aviation Flight University of China, 2023. |
| [18] |
杨扬, 郭挂梅. 基于超效率SBM模型的航空企业碳排放效率研究[J]. 环境工程技术学报, 2023, 13(5): 1779-1786. Yang Y, Guo G M. Research on carbon emission efficiency of aviation enterprises based on super efficiency SBM model[J]. Journal of Environmental Engineering Technology, 2023, 13(5): 1779-1786. |
| [19] |
冯莹莹. 我国制造业绿色技术创新效率及影响因素分析——基于超效率SBM-GML模型[D]. 广州: 中共广东省委党校, 2023. Feng Y Y. Analysis of green technology innovation efficiency of China's manufacturing industry and its influencing factors——based on Supper-Efficiency SBM-GML model[D]. Guangzhou: Party School of the Guangdong Provincial Committee of CPC, 2023. |
| [20] |
陈泓希. 建筑业绿色技术创新效率测度及影响因素研究——以成渝城市群为例[D]. 绵阳: 西南科技大学, 2023. Chen H X. Research on the measurement and influencing factors of green technology innovation efficiency in the construction industry——a case study of Chengdu-Chongqing Urban Agglomeration[D]. Mianyang: Southwest University of Science and Technology, 2023. |
| [21] |
何景师, 张智勇, 叶善椿. 基于三阶段超效率SBM-DEA模型的我国沿海五大城市群低碳物流效率研究[J]. 上海海事大学学报, 2023, 44(3): 55-63. He J S, Zhang Z Y, Ye S C. Research on efficiency of low-carbon logistics in China's five coastal urban groups based on three-stage super-efficiency SBM-DEA model[J]. Journal of Shanghai Maritime University, 2023, 44(3): 55-63. |
| [22] |
崔许锋, 王雨菲, 张光宏. 面向低碳发展的农业生态效率测度与时空演变分析——基于SBM-ESDA模型[J]. 农业经济问题, 2022(9): 47-61. Cui X F, Wang Y F, Zhang G H. Low-carbon oriented measurement and spatiotemporal evolution of agricultural eco-efficiency in China: based on SBM-ESDA model[J]. Issues in Agricultural Economy, 2022(9): 47-61. |
| [23] |
赵雪, 王向前. 基于超效率SBM模型的西部煤炭采选业生态效率研究[J]. 湖南工业大学学报, 2022, 36(5): 71-78. Zhao X, Wang X Q. An ecological efficiency evaluation of coal mining and processing based on super-efficiency SBM model: a case study of Western China[J]. Journal of Hunan University of Technology, 2022, 36(5): 71-78. |
| [24] |
杜克锐, 鄢哲明, 杨志明. 能源和环境绩效评价方法的最新研究进展[J]. 环境经济研究, 2018, 3(1): 113-138. Du K R, Yan Z M, Yang Z M. Progress of evaluation methods on energy and environmental performance[J]. Journal of Environmental Economics, 2018, 3(1): 113-138. |
| [25] |
王新利. 中国环境规制工具的区域碳减排效果及协同优化研究[D]. 北京: 华北电力大学, 2022. Wang X L. The regional carbon emission reduction effect and the collabotative optimization research of environmental regulation tools in China[D]. Beijing: North China Electric Power University, 2022. |
| [26] |
陈莹. 长三角一体化示范区优先污染物筛选及协同监测探讨[D]. 上海: 华东师范大学, 2021. Chen Y. Selecton of priority pollutants and collaborative monitoring in Yangtze River Delta integrated demonstration area[D]. Shanghai: East China Normal University, 2021 |
| [27] | 吴江区统计局. 2020吴江统计年鉴[EB/OL]. https://www.wujiang.gov.cn/zgwj/tjnj/202209/d8add7abea704b6f8e7247b150691cad.shtml, 2021-10-21. |
| [28] | 上海市青浦区统计局. 青浦统计年鉴-2021[M]. 北京: 中国统计出版社, 2021. |
| [29] | 嘉兴市统计局. 嘉兴统计年鉴-2021[M]. 北京: 中国统计出版社, 2021. |
| [30] | Shan Y L, Huang Q, Guan D B, et al. China CO2 emission accounts 2016-2017[J]. Scientific Data, 2020, 7(1). DOI:10.1038/s41597-020-0393-y |
| [31] | Liu Z, Guan D B, Wei W, et al. Reduced carbon emission estimates from fossil fuel combustion and cement production in China[J]. Nature, 2015, 524(7565): 335-338. DOI:10.1038/nature14677 |
| [32] | Zhang C J, Chen H, Xue G, et al. A critical review of the aniline transformation fate in azo dye wastewater treatment[J]. Journal of Cleaner Production, 2021, 321. DOI:10.1016/j.jclepro.2021.128971 |
| [33] | GB/T 32151.12-2018, 温室气体排放核算与报告要求第12部分: 纺织服装企业[S]. |
| [34] | Tone K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research, 2001, 130(3): 498-509. DOI:10.1016/S0377-2217(99)00407-5 |
| [35] | Wu X Y, Liang X C. Tourism development level and tourism eco-efficiency: Exploring the role of environmental regulations in sustainable development[J]. Sustainable Development, 2023, 31(4): 2863-2873. DOI:10.1002/sd.2555 |
| [36] |
宋青, 李超群, 陈骏宇. 城市尺度下长三角区域碳排放效率时空演化及影响因素研究[J]. 南京林业大学学报(自然科学版), 2023, 47(6): 251-262. Song Q, Li C Q, Chen J Y. Spatio-temporal evolution and influencing factors of carbon emission efficiency in the Yangtze River Delta region at the city scale[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2023, 47(6): 251-262. |
| [37] | Kaya Y. Impact of carbon dioxide emission control on GNP growth: interpretation of proposed scenarios[R]. Paris: IPCC, 1989. |
| [38] | Ma X J, Wang C X, Dong B Y, et al. Carbon emissions from energy consumption in China: Its measurement and driving factors[J]. Science of the Total Environment, 2019, 648: 1411-1420. DOI:10.1016/j.scitotenv.2018.08.183 |
| [39] | Albrecht J, François D, Schoors K. A Shapley decomposition of carbon emissions without residuals[J]. Energy Policy, 2002, 30(9): 727-736. DOI:10.1016/S0301-4215(01)00131-8 |
| [40] |
翁淑娟, 刘颍颖, 唐凤, 等. 广东省船舶二氧化碳排放驱动因素与减排潜力[J]. 环境科学, 2024, 45(1): 115-122. Weng S J, Liu Y Y, Tang F, et al. Driving forces and mitigation potential of CO2 emissions for ship transportation in Guangdong Province, China[J]. Environmental Science, 2024, 45(1): 115-122. |
| [41] |
彭佳雯, 黄贤金, 钟太洋, 等. 中国经济增长与能源碳排放的脱钩研究[J]. 资源科学, 2011, 33(4): 626-633. Peng J W, Huang X J, Zhong T Y, et al. Decoupling analysis of economic growth and energy carbon emissions in China[J]. Resources Science, 2011, 33(4): 626-633. |
| [42] | Chen J D, Wang P, Cui L B, et al. Decomposition and decoupling analysis of CO2 emissions in OECD[J]. Applied Energy, 2018, 231: 937-950. |
| [43] | Tapio P. Towards a theory of decoupling: degrees of decoupling in the EU and the case of road traffic in Finland between 1970 and 2001[J]. Transport Policy, 2005, 12(2): 137-151. |
| [44] |
殷昊. 环境保护税对纺织行业节能减排的影响分析[D]. 北京: 北方工业大学, 2022. Yin H. Analysis on the impact of environmental protection tax on energy conservation and emission reduction in textile[D]. Beijing: North China University of Technology, 2022. |
| [45] | 国家能源局. 国家能源局关于印发《2018年能源工作指导意见》的通知[EB/OL]. https://www.gov.cn/xinwen/2018-03/09/content_5272569.htm, 2018-02-26. |
| [46] | 苏州市吴江区人民政府. 吴江区人民政府办公室印发《关于开展吴江区"高污染、高能耗、低产出"行业综合整治的意见》的通知[EB/OL]. https://www.wujiang.gov.cn/zgwj/c110551/201709/4ff2e9b819584954a1fd87eb06722814.shtml, 2017-09-18. |