0 引言

在全球气候变暖的大背景下，碳排放问题如今已成为全球广泛关注的议题。为应对气候变化，中国积极承担减排责任，提出了“双碳”目标，二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和。在此国家战略框架下，贵州省作为全国生态文明先行示范区，在生态保护与绿色发展方面发挥重要的示范引领作用，同时在交通、资源、经济等领域在西南地区均占据重要地位，区域辐射效应显著。因此，深入研究贵州省碳排放问题，既有助于贵州省自身可持续发展，还对西南地区乃至全国的生态环境与经济转型有着深远影响。

脱钩理论源于对经济增长与资源环境压力关系的探讨，旨在揭示发展要素间的分离机制。随着全球气候变化问题的日益严峻，碳排放与经济发展的协调关系成为研究焦点，脱钩理论被广泛应用于碳排放相关研究，以探究二者的耦合关系[1]。2000年，经济合作与发展组织（OECD）[2]首次提出脱钩理论并于2002年首次将其应用于研究能源消费与经济增长的关系[3]。2005年Tapio[4]扩展了OECD的脱钩方法，将OECD最初定义的2类脱钩状态分为8类。此后，众多学者开始运用Tapio扩展后的脱钩方法，探究不同行业与地区碳排放和经济指标间的关系。Feng等[5]探究分析了2009—2016年中国600多个县电力消费与碳排放之间的脱钩关系。张艳等[6]厘清了黄河流域中游25个地级市耕地利用强度与碳排放的脱钩关系。纪义虎等[7]利用Tapio脱钩模型分析了碳排放与水资源利用的脱钩关系，得出沁河流域碳排放与水资源利用逐渐出现强脱钩与弱脱钩状态，水碳关系逐渐向好的结论。

部分学者在分析各行业、地区碳排放与经济增长间脱钩关系后，基于所得结果，进一步剖析了影响碳排放的各类驱动因素。对数平均迪氏指数（logarithmic mean Divisia index，LMDI）模型因其能完全分解因子、无残差项、易于实现等优点已被广泛应用于碳排放影响因素研究。在行业发展维度，屈莉莉[8]、林伟文[9]、付昱铭[10]、李汝晴[11]、周淑慧[12]等分别在脱钩模型的基础上对工业、物流业、制造业、烟草行业和油气开采业碳排放驱动因素进行了剖析。在区域发展维度，赵鑫宇[13]、王勤升[14]、王明珠[15]、董璐瑶[16]、李昀峰[17]等分别在脱钩模型的基础上对长三角地区、东北三省、中部六省、新疆和内蒙古的能源消费碳排放影响因素进行了分析，大多结果表明经济效应是推动碳排放增长的最主要因素。

在“双碳”目标驱动下，碳排放预测成为制定区域及行业减排政策的重要依据，学者们利用多种模型对不同省份和行业开展了碳达峰预测，如STIRPAT模型、系统动力学模型、神经网络模型、灰色预测模型、长期能源替代规划系统模型（long-range energy alternatives planning，LEAP）等。如张烜[18]、曲睿婷[19]等利用STIRPAT模型分别构建了广东省、辽宁省的能源消耗碳排放测算模型，设定不同情形下来预测碳达峰时间和达峰量。官冬杰等[20]利用碳排放系统动力学模型多情景预测了成渝地区双城经济圈碳排放变化趋势，并依据预测结果从人口布局和产业能源消耗两个方面提出生态环境治理对策。李国柱等[21]基于神经网络模型对京津冀碳达峰情景进行预测，依据研究结果提出了优化产业结构、差异化发展低碳路径的建议。熊鹰等[22]运用灰色预测模型对四川省种植业碳排放量和碳排放强度进行了预测，依据结果提出了因地制宜采取差异化的减排措施、强化农业科技创新和推广的建议。李宝珠[23]、李姗姗[24]等分别利用LEAP模型对天津市、山西省碳排放进行了多情景预测，并基于研究结论提出更好实现“双碳”目标的对策建议。与众多模型相比，LEAP模型在数据要求和模型构建上更加灵活，能够根据具体地区和行业的特点进行调整和应用，可以更好地处理复杂的能源系统和碳排放过程。

贵州省因其丰富的煤炭资源被称为“西南煤海”，在经济发展中煤炭占据着能源消费的主导地位，煤炭等化石能源的燃烧是贵州省碳排放的主要来源[25]。贵州省经济增长潜力大，同时面临更大的能源转型和减排压力。近年来，贵州省大力发展经济，正逐渐成为新的经济增长极，经济发展带来了能源消费量的迅速增加和碳排放量的显著增长。同时贵州也是全国生态文明先行示范区，生态优先和绿色低碳是基本要求，因此推动低碳转型以及经济的绿色可持续发展成为贵州省实现“双碳”目标的重中之重。目前有关贵州省碳排放的研究主要集中在土地利用碳排放[26-28]、农业[29-31]、工业[32]生产碳排放等，对于以贵州省全产业碳排放为对象的相关研究还较为缺乏。

本文在现有研究基础上，构建“Tapio脱钩分析-LMDI驱动分解-LEAP情景模拟”的递进式碳排放研究链条，突破单一模型研究的局限性，运用跨方法研究体系，以贵州省为例，针对欠发达资源型地区“发展压力与碳排放强度双高”的特性，精准定位减排瓶颈，并结合地方发展约束提出差异化减排路径。本研究首先探究经济增长与碳排放间的动态关联状态，继而深入剖析影响碳排放的各类因素，最后对未来碳排放趋势展开预测，形成以碳排放为核心，“现状诊断-因素剖析-趋势预测”的逻辑闭环，以贵州省为研究对象，主要探究回答以下几个问题：①贵州省终端能源碳排放是否与经济增长脱钩？②贵州省终端能源碳排放量增长背后的驱动因素是什么？③贵州省不同情景下碳达峰时间与碳达峰量是多少？并依据研究结果提出针对性建议，以期为贵州省未来碳减排工作提供理论参考。

1 方法和数据

1.1 研究区域概况

贵州省位于中国西南地区，面积17.62万km2，下辖6地级市3自治州，2023年末常住人口3865万。2000年以来，贵州省在经济社会发展方面取得了显著成就，全省地区生产总值持续增长，产业结构不断优化，2023年全省生产总值20 913.25亿元，产业结构为13.8∶35.0∶51.2。贵州省是中国南方重要的煤炭生产基地，其煤炭资源储量丰富，煤炭在贵州省能源消费结构中占据主导地位，2020年，煤炭占能源总消费比重为69.1%，煤炭等化石能源的燃烧是贵州省碳排放的主要来源。

1.2 研究方法

1.2.1 碳排放量核算

依据《IPCC国家温室气体清单指南》中碳排放量估算公式[33]，对贵州省终端能源消费的4类主要能源煤、油、气、电（覆盖了终端能源消费的95%以上排放，热力消费通过一次能源数据间接覆盖，未进行额外细分）所产生的碳排放量进行测算。计算公式为

式中：C为终端能源碳排放总量；Ct为第t年碳排放总量，万t；E为终端能源消费总量；Ejt为第t年j类能源消费量（以标准煤计），万t；Fj为j类能源碳排放转换系数（标准煤/二氧化碳），t/t。主要能源品种碳排放转换系数如表1所示。电力产品调入调出所产生的二氧化碳属间接排放，当前，关于此类电力交易产生的碳排放应归属于生产者还是消费者的议题，尚未形成统一共识。鉴于这一归属争议的存在，本文不考虑电力调入与调出所导致的间接排放量，只计算直接产生的二氧化碳排放量。

表1 主要能源品种碳排放转换系数
Table 1 Carbon emission conversion coefficients of major energy sources

注： 电力转换系数为2022年贵州省级电力平均二氧化碳排放因子，已隐含发电过程中一次能源的消耗。

1.2.2 Tapio脱钩模型

碳排放脱钩是经济增长与温室气体排放之间关系不断弱化乃至消失的理想化过程[34-35]，即实现经济增长基础上，碳排量逐渐降低的发展状态。计算公式为

式中：Dt为脱钩指数；G为地区生产总值；G0和Gt分别为基期和第t年地区生产总值。借鉴相关研究[36-39]，将碳排放脱钩状态分为8种类型，详见表2。

表2 脱钩状态分类
Table 2 Decoupling status classification

1.2.3 LMDI模型

LMDI模型基于扩展的Kaya恒等式进行计算，将结果分解成若干影响因子进行分析，可识别出各因素对结果的影响程度。本文采用LMDI模型对贵州省终端能源碳排放的影响因素进行分解，计算公式为

加和分解后：

式中：Cij为第i个产业j类终端能源消费碳排放量，万t；P为常住人口数，万人，表示人口规模效应；Eij为第i个产业j类终端能源消费量（以标准煤计），万t；R为人均经济产值，表示经济产出效应；I为某产业产值占生产总值的比例，表示产业结构效应；S为单位产值终端能源消费量，表示能源强度效应；N为某类终端能源消费量占能源消费总量的比例，表示能源消费结构效应；X为终端碳排放量与终端能源消费量的比例，表示碳排放强度效应；∆C表示前后2期碳排放增量。

1.2.4 LEAP模型

LEAP模型采用部门分析法建立，是一种自下而上的能源-环境核算工具，该模型基于“技术-情景-动态模拟”的能源系统分析框架，通过技术参数设定和情景模拟，对能源的生产、转换、传输和消费的不同模块进行仿真，量化不同技术路径和政策选择对能源需求、供给及碳排放的长期影响[40-41]。目前该模型已广泛应用于预测不同发展条件下中长期能源供应、能源终端需求及污染气体排放[42-44]。

本研究以LEAP模型框架为基础，并结合贵州省能源领域的现状，构建LEAP-GZ模型，对贵州省终端能源消费所产生的碳排放量进行分析预测，如图1所示。

图1 LEAP-GZ模型图
Fig. 1 LEAP-GZ model diagram

1.3 数据来源

本研究以贵州省为研究区域，2000—2022年为研究区间，2023—2060年为预测区间。人口、经济、产业结构等数据来源于《贵州统计年鉴》，各类终端能源消费量来源于《中国能源统计年鉴》。情景设置中经济、人口、产业、能源强度、能源消费结构等参数设置参考《贵州省国民经济和社会发展第十四个五年规划和2035年远景目标纲要》《贵州省碳达峰实施方案》《贵州省能源领域碳达峰实施方案》《贵州省工业领域碳达峰实施方案》《贵州省“十四五”新型城镇化发展规划》等文件要求设定。

2 经济增长与碳排放脱钩效应分析

2.1 经济与碳排放量

通过公开渠道数据收集与计算，贵州省2000—2022年GDP、终端能源碳排放总量和碳排放强度如图2所示。

图2 贵州省2000—2022年GDP、碳排放总量、碳排放强度
Fig. 2 GDP, total carbon emission and carbon emission intensity of Guizhou Province from 2000 to 2022

贵州省碳排放总量与地区生产总值呈现正相关性，均呈现增长趋势。2000—2022年贵州省GDP持续增长，从993亿元增长到20 165亿元，年均增长15%。2000—2022年，贵州省碳排放整体呈现增长趋势，2022年碳排放量为133.94 Mt，较2000年增长193%。碳排放强度指单位GDP二氧化碳排放量，2000—2022年贵州省碳排放强度呈现下降趋势，年均下降0.11 t/万元。2000—2022年贵州省碳排放量呈现增加趋势，碳排放强度呈现下降趋势，表明贵州省正在转向更加环保和可持续的生产和能源消费方式。2022年终端原煤消费量占能源消费总量的47%，传统高碳能源仍占据一定比重，需继续加强减排力度，优化能源结构，降低工业碳排放量，以实现碳排放量和碳排放强度的持续下降。

2.2 经济增长与碳排放脱钩状态

依据Tapio脱钩公式计算出2000—2022年贵州省经济增长与终端能源碳排放量的脱钩状态，如图3所示。

图3 贵州省2000—2022年经济发展和碳排放脱钩情况
Fig. 3 Decoupling of economic development and carbon emissions in Guizhou Province from 2000 to 2022

2000—2022年贵州省经济增长与碳排放之间未实现脱钩，表现为增长连接状态和弱脱钩状态，脱钩指数呈现下降趋势。2000—2004年二者间表现为增长连接状态，即碳排放的增长速度略低于经济增长速度。2000—2004年贵州省重点发展采矿业等重工业，能源消费以煤炭为主，粗放型的经济发展方式同时也带来了高碳排放。2004年后二者表现为弱脱钩状态，脱钩指数逐年降低，从0.78下降到0.10，脱钩效果逐渐明显，经济增长的同时，碳排放的增速开始放缓。这一转变得益于贵州省在经济发展过程中越来越重视环境保护和可持续发展，采取多方面的政策措施来降低碳排放量，逐步调整能源消费结构，规划到2025年全省非化石能源消费占比达到21.6%，持续推动经济发展与碳排放脱钩。

3 碳排放影响因素分解

依据LMDI模型对贵州省终端能源碳排放影响因素进行分解，如图4所示。

图4 贵州省碳排放影响因素分解
Fig. 4 Decomposition of influencing factors of carbon emission in Guizhou Province

以2000年为基准年，利用LMDI模型对2000—2022年贵州省碳排放量影响因素进行分解，若所得值为正，则对碳排放量增长起促进作用，反之对碳排放量增长起抑制作用。由图4所示，贵州省碳排放量的6个影响因素按照贡献程度排列分别为经济产出效应（28 259.98）、能源强度效应 （-24 416.45）、能源消费结构效应 （-6 621.12）、产业结构效应 （-4 623.58）碳排放系数效应 （-2 309.67）、人口规模效应（2 281.8）。

3.1 正向促进因素

经济产出效应均为正值，对贵州省碳排放量增长起促进作用，是贵州省碳排放量增加的最主要因素。2000—2022年贵州省经济飞跃式发展，生产总值从2000年993亿元增长到2022年20 165亿元，人均生产总值从2000年2759元增长到2022年52 321元。经济增长带来了工业化进程的加快和城市化水平的提升，从而导致了能源消费量的迅速增加和碳排放量的显著上升。

人口规模效应对贵州省碳排放影响程度最小，在计算年份内均为正值，对贵州省碳排放量增长起促进作用，2000—2022年贵州省人口规模呈逐步增长态势，城镇化进程和城市建设不断加快，居民生活方式改变，进一步增加了碳排放总量。

3.2 负向抑制因素

能源强度效应除2001年为正值，其余年份均为负值，对碳排放量增长起抑制作用，是抑制贵州省碳排放量增加的最大影响因素。近年来，贵州省产业结构逐渐从高能耗、高排放的重工业向低能耗、低排放的服务业和高新技术产业转移，产业转移减少了能源消耗，使得碳排放量降低。同时高效节能设备的广泛应用、生产工艺的改进以及能源管理系统的优化等也促使了贵州省的能源利用效率不断提高，能源强度持续下降，从2000年5.31 t/万元下降到2022年0.89 t/万元。

能源消费结构效应是抑制碳排放增长的第二大影响因素。贵州省的能源消费以煤炭为主，2000年原煤消费占比高达78.4%，近年来贵州省积极调整和优化能源消费结构，致力于发展可再生能源并逐步降低化石能源消费比重，2021年贵州省的非化石能源消费比重为16.5%，非化石能源装机占52.9%，2022年能源消费结构中原煤占比下降到47.2%，有效降低了碳排放量。

产业结构效应整体对贵州省碳排放增长起抑制作用，2000—2022年期间，贵州省产业结构持续优化，从2000年的27.3∶39.0∶33.7优化到2022年的14.2∶35.3∶50.5，第三产业占比显著提升，有力推动了节能减排。碳排放强度效应也是影响贵州省碳排放量的主要因素，在分析年份内正负波动，总体起抑制作用，在特定年份中对贵州省能源碳排放量增减起决定作用。

4 碳排放预测分析

4.1 情景设置

LEAP模型在进行情景预测时通常需要考虑不同的发展路径，通过对不同政策与技术进行预设，设定差异化的控制变量组合，生成相互独立的情景，其关键参数选择通常围绕技术特性、能源结构、经济社会驱动因素等维度展开，其中经济社会参数主要包括GDP增长率、人口、城市化率等；技术特性参数主要包括各部门的能源强度、终端用能效率；能源结构参数主要包括可再生能源渗透率、化石能源的结构等。

本研究以2022年为基准年，采用自下而上的建模方法，通过部门技术参数调控实现多维情景模拟，结合上述LMDI模型研究结论，选取经济因素、人口情况、产业结构、能源强度、能源消费结构作为关键参数，分为基准情景、政策情景、综合情景三大情景对2023—2060年贵州省终端能源碳排放量进行预测分析，具体参数设定值见表3。

表3 不同情景下各参数变化值
Table 3 The change value of each parameter under different situations

1） 基准情景：在贵州省“十四五”规划以及各行业碳达峰方案的背景下，继续按照各参数现有规划发展速度进行设置，不做额外政策干预。

2） 政策情景：基于LMDI模型筛选的三大关键抑制因素，在模型中设置技术参数调整情景，其余参数设置与基础情景保持一致。

产业结构调整情景：通过压减高耗能行业（第二产业部门）产值占比，调整产业结构参数表达式，分析产业结构优化对碳排放的抑制作用。

能源强度调整情景：参数调整聚焦各部门关键技术，调整各部门最终能源强度，模拟能源利用效率提升对碳排放的影响。

能源消费结构调整情景：设定化石能源替代比例目标，改变能源消费结构参数，设定不同的燃料份额，探究清洁能源占比提高的减排效果。

3） 综合情景：基于上述参数，整合政策情景中最优技术组合对各参数值进行设置，以探究最优情景下贵州省碳排放情况。

4.2 贵州省碳排放预测分析

依据上述情景设定，在LEAP模型的预测下，分别得到贵州省2023—2060年不同情景下的终端能源碳排放量，如图5所示。

图5 不同情景下贵州省2023—2060年碳排放预测值
Fig. 5 Predicted carbon emissions of Guizhou Province from 2023 to 2060 under different scenarios

由预测结果图5 （a）可知，在不同发展情景设定下，贵州省碳排放峰值的出现时间存在差异，在能源强度调整情景、能源消费结构调整情景和综合情景3种情景下，贵州省碳排放预计在2029年达到峰值；在基准情景和产业结构调整情景下，贵州省碳排放预计在2032年达到峰值。基准情景下，碳排放峰值为150.8 Mt，达到峰值后，碳排量年均下降0.68%，至2060年碳排量将降到124.6 Mt。3个政策情景下，产业结构调整情景峰值为149.7 Mt，达峰后碳排量年均下降0.81%，至2060年碳排量将降到119.1 Mt；能源强度调整情景峰值为143.2 Mt，达峰后碳排量年均下降0.67%，至2060年碳排量将降到116.3 Mt；能源消费结构调整情景峰值为147.4 Mt，达峰后碳排量年均下降1.37%，至2060年碳排量将降到96.0 Mt。综合情景下，峰值为139.1 Mt，达峰后碳排放量年均下降1.34%，至2060年碳排量将降到91.6 Mt。

1）第一产业。

由图5所示，贵州省第一产业（农、林、牧、渔业）的生产模式和能源利用结构相对稳定，受不同情景设定的影响较小，在各个情景下，第一产业碳排放量占比始终较低，在预测年间变化相对平稳。不同情景下，贵州省第一产业碳达峰时间存在差异，其中基准情景达峰时间预计在2042年，达峰量为4.78 Mt；由于生物质能等清洁能源逐步替代传统燃料，以及节能农机等技术的广泛应用有效提高了能源效率，第一产业在能源消费结构调整、产业结构调整和能源强度调整3个政策情景下达峰时间分别提前到2033年、2032年和2029年，达峰量分别为4.49 Mt、4.29 Mt和4.21 Mt；在多重措施叠加下，综合情景达峰时间最早，预计在2025年，达峰量为4.20 Mt。

2）第二产业。

由图5所示，第二产业是贵州省碳排放的主要来源，但其减排潜力最大，在所有情景中，碳排放量均呈下降趋势。其中基准情景达峰时间预计在2029年，达峰量为48.2 Mt；产业结构调整情景2023年即可实现达峰，达峰量为45.0 Mt；综合情景也预计在2023年达峰，达峰量为44.8 Mt，在结构优化、技术升级与能源转型多路径协同作用下，综合场景碳排放量在达峰后快速下降，到2060年下降至8.4 Mt。如图6所示，工业是贵州省第二产业碳排放量的最主要来源，在各情景中占比均高达90%以上，其中综合情景对贵州省工业碳减排效果最佳，2023年即可达峰，达峰量为42.0 Mt，2060年下降至7.9 Mt。

图6 贵州省第二产业中工业、建筑业不同情景下碳排放量
Fig. 6 Carbon emissions of secondary industry and construction in Guizhou Province under different scenarios

3）第三产业。

由图5可知，在各情景下，贵州省第三产业碳排放占比总体呈上升趋势，随着经济发展与产业结构逐步变迁，第三产业规模扩张，其碳排放总量也随之稳步增加。能源强度调整情景相比其他情景减排效果最优，预计在2034年达峰，达峰量为81.2 Mt。产业结构调整情景下，第三产业碳排放达峰时间最晚，于2047年达峰，达峰量为109.3 Mt。如图7所示，以交通运输、仓储和邮政业、批发和零售业、住宿和餐饮业为例，产业结构调整对上述行业碳排放的影响较为显著，碳排放量增长幅度较大，在后期明显高于其他情景。

图7 贵州省第三产业中交通运输、仓储和邮政业、批发和零售业、住宿和餐饮业不同情景下碳排放量
Fig. 7 Carbon emissions of transportation, warehousing, postal, wholesale and retail, accommodation and catering industries in Guizhou Province under different scenarios

4）居民生活。

如图5所示，在各情景下，贵州省居民生活碳排放量总体呈下降趋势，均于2023年实现达峰。其中综合情景相比其他情景在居民生活中减排效果最优，2060年下降至1.5 Mt。由图8所示，城镇和乡村碳排放量均呈现下降趋势，其中农村碳排放量相比城镇碳排量下降速度较为迅速。综合情景对降低城镇碳排放量效果最为显著，至2060年下降至1.3 Mt。随着城镇化加速，人口、产业不断向城镇集聚，以及农村能源结构持续优化，在各个情景下农村碳排放量将持续下降，到2060年趋近于零。

图8 贵州省居民生活中城镇、乡村不同情景下碳排放量
Fig. 8 Carbon emissions in different scenarios of urban and rural life in Guizhou Province

5 结论与建议

5.1 结论

本文以碳排放为研究核心，构建“Tapio脱钩分析-LMDI驱动分解-LEAP情景模拟”的递进式研究链条，以贵州省为研究区域，得出以下结论。

1）2000—2022年贵州省地区生产总值和碳排放总量均呈现快速增长趋势，碳排放强度呈现下降趋势，利用效率逐渐提升。贵州省经济增长与碳排放之间未实现脱钩，表现为增长连接状态和弱脱钩状态。

2）贵州省碳排放量变化6个影响因素按照贡献程度排列分别为经济产出效应、能源强度效应、能源消费结构效应、产业结构效应、碳排放系数效应、人口规模效应。其中经济产出效应和能源强度效应分别为促进和抑制贵州省碳排放量增加的最主要因素。

3）不同发展情景设定下，贵州省碳排放峰值出现时间存在差异，能源强度调整情景、能源消费结构调整情景和综合情景3种情景预计在2029年达到峰值；基准情景和产业结构调整情景预计在2032年达到峰值。其中基准情景下碳排放峰值为150.8 Mt；产业结构调整情景下峰值为149.7 Mt；能源强度调整情景下峰值为143.2 Mt；能源消费结构调整情景下峰值为147.4 Mt；综合情景下峰值为139.1 Mt。

5.2 建议

基于上述研究成果，针对贵州省的发展现状与未来低碳发展路径，具体建议如下。

1）构建绿色低碳产业体系。第二产业是贵州省碳排放的主要来源，推动第二产业优化是实现降碳目标的关键。工业是第二产业碳排放主体，针对贵州省现状应实施“新兴产业培育+传统产业升级”双战略，实现低碳转型。重点培育高附加值、低排放新兴产业，如大数据、新能源装备制造等，强化政策引导与要素集聚，推动新兴产业规模化、集群化发展。推动传统产业升级，针对电力、电解铝、化工等高耗能行业实施“存量优化+增量替代”策略，通过双向发力促进绿色化改造，一方面深挖现有产能减排潜力，推动绿色化改造，加快产能置换与技术升级；另一方面严控新增产能绿色门槛，限制传统高耗能项目扩张，发展绿色低碳新产能。

2）开展能效提升行动。能源强度是对贵州省碳减排影响最显著的参数，是衡量单位经济产出能源消耗量的核心指标，因此贵州省在未来的低碳发展路径中应聚焦能源强度控制，以提能效为核心抓手，通过技术创新与管理优化，突破节能降碳关键技术，减少各行业能源消耗。立足贵州省资源禀赋与产业特点，对区域内电力、电解铝、化工等高耗能行业，建立能效“领跑者”制度，开展重点用能单位能效诊断工作，推动行业整体能效水平提升；建筑行业中新建建筑全面执行绿色建筑标准，推广超低能耗建筑试点。提升公众参与和社会协同，结合“贵州生态日”“全国低碳日”，开展“绿色生活创建”等活动，形成全民节能共识。

3）推动多元清洁能源替代。能源消费结构优化能够显著降低贵州省碳排放总量，因此应在三大产业与居民生活全领域推动清洁化、可再生能源替代，从源头上减少化石能源使用。推进光伏与农业种养殖结合，如茶光互补项目，利用农作物秸秆、林业废弃物、畜禽粪便等，发展生物质能；积极开展推动绿色电力替代工作，提升工业领域绿电消费比例；打造低碳旅游与绿色物流体系，优化能源利用结构，强化清洁能源利用；推进农村用能低碳转型与城市低碳社区建设，探索高效节能能源供应新模式。

参考文献

[1] GUO S B, CAO F G. Decomposition of factors affecting copper consumption in major countries in light of green economy and its trend characteristics[J]. Resources Policy,2024, 98: 105313.

[2] OECD. Decoupling:a conceptual overview[R]. Paris: OECD,2001.

[3] OECD. Indicators to measure decoupling of environmental pressure from economic growth[R]. Paris: OECD, 2002.

[4] 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.

[5] LIU F Q, KANG Y X, GUO K. Is electricity consumption of Chinese counties decoupled from carbon emissions? A study based on Tapio decoupling index[J]. Energy, 2022, 251:123879.

[6] 张艳，吕韬. 耕地利用强度与碳排放的脱钩关系: 以黄河流域中游25个地级市为例[J]. 中国土地科学，2024，38(11)：105-116.ZHANG Yan, LYU Tao. Decoupling relationship between cultivated land use intensity and carbon emissions: a case study of 25 cities in the middle reaches of the Yellow River Basin[J].China Land Science, 2024, 38(11): 105-116(in Chinese).

[7] 纪义虎，左其亭，马军霞. 基于Tapio和LMDI模型的沁河流域碳排放与水资源利用脱钩关系分析[J]. 水资源保护，2023，39(4)：94-101.JI Yihu, ZUO Qiting, MA Junxia. Analysis of decoupling relationship between carbon emissions and water resources utilization in the Qinhe River Basin based on Tapio and LMDI models[J]. Water Resources Protection, 2023, 39(4): 94-101(in Chinese).

[8] 屈莉莉，李妍，李蓉. “双碳”目标下中国工业碳排放驱动因素及其脱钩效应[J]. 河南科学，2024，42(7)：1063-1074.QU Lili, LI Yan, LI Rong. Driving factors of China’s industrial carbon emissions and their decoupling effect under the “dual carbon” goal[J]. Henan Science, 2024, 42(7): 1063-1074(in Chinese).

[9] 林伟文，游建民，张伟. 中国制造业碳排放脱钩效应及其分解研究：基于区域与行业层次双重视角[J]. 贵州财经大学学报，2024(2)：81-90.LIN Weiwen, YOU Jianmin, ZHANG Wei. Research on the decoupling effect of carbon emissions in China’s manufacturing industry and its decomposition: a dual perspective of regional and industrial levels[J]. Journal of Guizhou University of Finance and Economics, 2024(2): 81-90 (in Chinese).

[10] 付昱铭，蒋惠园，唐勇平．我国物流业碳排放脱钩状态及影响因素研究[J]．铁道运输与经济，2024，46(11)：62-70.FU Yuming, JIANG Huiyuan, TANG Yongping. Decoupling status and influencing factors of carbon emissions in China’s logistics industry[J]. Railway Transport and Economy, 2024,46(11): 62-70 (in Chinese).

[11] 李汝晴. 中国烟草产业碳排放脱钩弹性及驱动因素：基于Tapio脱钩模型与LMDI分析[J]．新疆师范大学学报（自然科学版），2024，43(3)：82-89.LI Ruqing. Elasticity and driving factors of carbon emission decoupling in China’s tobacco industry: based on the Tapio decoupling model and LMDI analysis[J]. Journal of Xinjiang Normal University(Natural Sciences Edition), 2024, 43(3): 82-89 (in Chinese).

[12] 周淑慧，高翔，王军，等. “双碳”目标下中国油气开采业碳排放影响因素探究[J]. 油气储运，2023，42(7)：743-753.ZHOU Shuhui, GAO Xiang, WANG Jun, et al. Study on the influencing factors of carbon emission of China oil and gas exploitation industry under the “double carbon” target[J]. Oil &Gas Storage and Transportation, 2023, 42(7): 743-753(in Chinese).

[13] 赵鑫宇，张庭婷，谢晓敏，等. 长三角地区碳排放驱动因素及脱钩分析[J]. 环境科学研究，2025，38(4)：767-776.ZHAO Xinyu, ZHANG Tingting, XIE Xiaomin, et al. Analysis of driving factors of carbon emissions and decoupling in the Yangtze River Delta Region[J]. Research of Environmental Sciences, 2025, 38(4): 767-776(in Chinese).

[14] 王勤升，王宁宁，韩欢欢. 东北三省碳排放脱钩系数测定与影响因素研究[J]. 北京信息科技大学学报 （自然科学版），2024，39(1)：76-82.WANG Qinsheng, WANG Ningning, HAN Huanhuan.Decoupling index measurement and influencing factors of carbon emission in the three northeastern provinces of China[J]. Journal of Beijing Information Science & Technology University (Science and Technology Edition), 2024, 39(1): 76-82(in Chinese).

[15] 王明珠，高广阔. 中部六省终端能源消费碳排放影响因素及其与经济增长脱钩关系研究[J]. 江西理工大学学报，2023，44(4)：55-64.WANG Mingzhu, GAO Guangkuo. Study on influencing factors of carbon emissions from terminal energy consumption and its decoupling relationship with economic growth in six central provinces[J]. Journal of Jiangxi University of Science and Technology, 2023, 44(4): 55-64(in Chinese).

[16] 董璐瑶，李慧玲. 双碳背景下新疆能源消费碳排放脱钩状态与影响因素研究[J]. 环境保护科学，2025，51(3)：32-40.DONG Luyao, LI Huiling. Study on decoupling state and influencing factors of carbon emission from energy consumption in Xinjiang under the background of double carbon[J]. Environmental Protection Science, 2025, 51(3): 32-40(in Chinese).

[17] 李昀峰. 内蒙古能源消费碳排放驱动因素与脱钩效应研究[J]. 黑龙江科学，2025，16(1)：32-37.LI Yunfeng. Study on the driving factors and decoupling effect of carbon emissions from energy consumption in Inner Mongolia[J]. Heilongjiang Science, 2025, 16(1): 32-37(in Chinese).

[18] 张烜，刘国东，叶意晶，等. 基于STIRPAT模型的广东省碳排放峰值预测分析[J]. 中国资源综合利用，2024，42(4)：183-189.ZHANG Xuan, LIU Guodong, YE Yijing, et al. Prediction and analysis of carbon emission peaks in Guangdong Province based on STIRPAT model[J]. China Resources Comprehensive Utilization, 2024, 42(4): 183-189(in Chinese).

[19] 曲睿婷，乔林，王浩淼，等.基于STIRPAT模型的辽宁省能源碳排放影响因素分析[J]. 中国农机化学报，2024，45(4)：180-185．QU Ruiting, QIAO Lin, WANG Haomiao, et al. Analysis of influencing factors of energy carbon emission in Liaoning Province based on STIRPAT model[J]. Journal of Chinese Agricultural Mechanization, 2024, 45(4): 180-185(in Chinese).

[20] 官冬杰，吴蕾，百晓莹，等．共享社会经济路径下成渝地区双城经济圈碳排放趋势多情景模拟[J]．武汉大学学报（理学版），2025，71(1)：27-38.GUAN Dongjie, WU Lei, BAI Xiaoying, et al. Multi-scenario simulation of carbon emission trend in Chengdu-Chongqing Economic Circle under shared socioeconomic pathways[J].Journal of Wuhan University (Natural Science Edition), 2025,71(1): 27-38(in Chinese).

[21] 李国柱，黄巧慧．基于Lasso-GRNN神经网络模型的京津冀碳达峰情景预测[J]．环境科学，2025，46(2)：636-646.LI Guozhu, HUANG Qiaohui. Prediction of carbon peak in Beijing-Tianjin-Hebei Region based on Lasso-GRNN neural network model[J]. Environmental Science, 2025, 46(2): 636-646(in Chinese).

[22] 熊鹰，但玉玲，王斌，等. 四川省种植业碳排放现状、动态演进及预测[J]. 中国生态农业学报（中英文），2024，32(7)：1136-1147.XIONG Ying, DAN Yuling, WANG Bin, et al. The situation,dynamic evolution, and prediction of carbon emissions in the planting industry of Sichuan Province[J]. Chinese Journal of Eco-Agriculture, 2024, 32(7): 1136-1147(in Chinese).

[23] 李宝珠，刘雅洁，张少聪. 基于LEAP模型的天津市多情景能源消费和碳排放预测[J]. 环境科学，2025，46(3)：1492-1501.LI Baozhu, LIU Yajie, ZHANG Shaocong. Multi-scenario energy consumption and carbon emission prediction in Tianjin Based on LEAP model[J]. Environmental Science, 2025, 46(3):1492-1501(in Chinese).

[24] 李姗姗，费翔，董洪光，等．基于LMDI和LEAP模型的山西省碳排放影响因素及预测分析[J]．中国环境科学，2025，45(7)：4052-4063.LI Shanshan, FEI Xiang, DONG Hongguang, et al. Analysis of carbon emission influencing factors and forecast in Shanxi Province based on LMDI and LEAP model[J]. China Environmental Science, 2025, 45(7):4052-4063(in Chinese).

[25] JIAO L, YANG R, CHEN B, et al. Variation, Determinants and prediction of carbon emissions in Guizhou, a new economic growth pole in southwest China[J]. Journal of Cleaner Production, 2023, 417: 138049.

[26] 韩会庆，汪俊雯，张益鑫，等. 贵州省土地利用碳排放与社会经济脱钩关系研究[J]. 黔南民族师范学院学报，2023，43(2)：92-97.HAN Huiqing, WANG Junwen, ZHANG Yixin, et al. A study on the relationship between carbon emissions of land use and socio economic decoupling in Guizhou Province[J]. Journal of Qiannan Normal University for Nationalities, 2023, 43(2): 92-97(in Chinese).

[27] 魏媛，吴长勇. 喀斯特贫困山区土地利用碳排放效应及风险研究：以贵州省为例[J]. 生态经济，2018，34(3)：31-36.WEI Yuan, WU Changyong. Study on carbon emission effects and risks of land use in Karst Mountain areas: a case study of Guizhou Province[J]. Ecological Economy, 2018, 34(3): 31-36(in Chinese).

[28] 宋山梅，向俊峰. 贵州省喀斯特不同土地利用方式碳排放和碳足迹生态效应[J]. 林业资源管理，2018，(6)：57-63.SONG Shanmei, XIANG Junfeng. Effects of land use on carbon emission and carbon footprint in Karst area of Guizhou[J]. Forest and Grassland Resources Research, 2018,(6): 57-63(in Chinese).

[29] 张再杰，陆品妮. 农业碳排放的测度与脱钩弹性研究: 以贵州省为例[J]. 农村经济与科技，2022(13)：1-3.ZHANG Zaijie, LU Pinni. Study on measurement and decoupling elasticity of agricultural carbon emissions: a case study of Guizhou Province[J]. Rural Economy and Science-Technology, 2022(13): 1-3 (in Chinese).

[30] 旷爱萍，谢凯承．大西南综合经济区农业碳排放特征及影响因素：基于LMDI分解和面板回归[J]．桂林航天工业学院学报，2023，28(3)：414-426．KUANG Aiping, XIE Kaicheng. Characteristics and influencing factors of agricultural carbon emissions in the Greater Southwest Comprehensive Economic Zone: based on LMDI decomposition and panel regression[J]. Journal of Guilin University of Aerospace Technology, 2023, 28(3): 414-426 (in Chinese).

[31] 王宝，赵子铱．基于STIRPAT模型的贵州省农村金融发展对农业碳排放的影响研究[J]．农业与技术，2023，43(7)：144-147．WANG Bao, ZHAO Ziyi. Research on the impact of rural financial development on agricultural carbon emissions in Guizhou Province based on STIRPAT model[J].Agriculture And Technology, 2023, 43(7): 144-147 (in Chinese).

[32] 尹剑，姜洪涛，焦露，等. 基于Geodetector和MGWR的贵州工业碳排放效率时空演化及影响因素分析[J]. 地理科学，2024，44(7)：1217-1227.YIN Jian, JIANG Hongtao, JIAO Lu, et al. Spatial-temporal evolution of industrial carbon emission efficiency and its influencing factors in Guizhou based on Geodetector and MGWR[J]. Scientia Geographica Sinica, 2024, 44(7): 1217-1227(in Chinese).

[33] IPCC. 2006 IPCC guidelines for national greenhouse gas inventories[R]. Kanagawa: Institute for Global Environmental Strategics, 2006.

[34] 杜皓月，唐慧琳，丁叶，等. 航空碳排放演化特征与地区经济关联性[J]. 综合运输，2022，44(2)：10-15.DU Haoyue, TANG Huilin, DING Ye, et al. Relationship between evolution characteristics of aviation carbon emissions and regional economic development[J]. China Transportation Review, 2022, 44(2): 10-15(in Chinese).

[35] 赵会杰. 北京市工业碳排放的驱动因素及脱钩效应研究[D].天津：天津大学，2017.

[36] 庞军，梁宇超，孙可可，等. 中国经济增长与煤炭消费脱钩及影响因素分析[J]. 中国环境科学，2024，44(2)：1144-1157.PANG Jun, LIANG Yuchao, SUN Keke, et al. Decoupling effects and driving factors between provincial economic growth and coal consumption in China[J]. China Environmental Science, 2024, 44(2): 1144-1157(in Chinese).

[37] 杜玉婉. 安徽省城乡居民消费碳排放测算及影响因素研究[D]. 淮南：安徽理工大学，2023.

[38] 王奕淇，黄涵祝. 中国碳排放脱钩效应、时空特征与驱动因素[J]. 生态学报，2024，44(6)：2228-2243.WANG Yiqi, HUANG Hanzhu. Research on the decoupling effect, spatio-temporal characteristics, and driving factors of carbon emissions in China[J]. Acta Ecologica Sinica, 2024,44(6): 2228-2243(in Chinese).

[39] 张爱宁，李滋婷，李宗省. 基于LMDI和Tapio脱钩模型的甘肃省碳排放研究[J]. 西北师范大学学报（自然科学版），2024，60(3)：55-63.ZHANG Aining, LI Ziting, LI Zongxing. Research on carbon emission in Gansu Province based on LMDI and Tapio decoupling model[J]. Journal of Northwest Normal University(Natural Science), 2024, 60(3): 55-63 (in Chinese).

[40] ZHOU N, PRICE L, DAI Y D, et al. A roadmap for China to peak carbon dioxide emissions and achieve a 20% share of non-fossil fuels in primary energy by 2030[J]. Applied Energy,2019, 239: 793-819.

[41] GALÁN-CANO L, CÁMARA-ACEITUNO J, TERRADOSCEPEDA J, et al. Exploring energy scenarios and driving forces of CO2 emissions of regions: The case of a southern region of Spain through LEAP analysis[J]. Energy Reports,2025, 13: 4563-4585.

[42] 贾晶迪，王飞，张圆圆，等. 基于LEAP模型的山西省能源活动领域碳达峰路径[J].环境科学，2025，46(5)：2837-2851.JIA Jingdi, WANG Fei, ZHANG Yuanyuan, et al. Carbon peaking pathways in the field of energy activities in Shanxi Province based on LEAP model[J]. Environmental Science,2025, 46(5): 2837-2851 (in Chinese).

[43] LI S S, KONG W L, WANG Y J, et al. Medium and long-term energy demand forecasts by sectors in China under the goal of“carbon peaking & carbon neutrality”: Based on the LEAPChina model[J]. Energy, 2024, 310: 133017.

[44] HUANG Y M, WANG Y, PENG J T, et al. Can China achieve its 2030 and 2060 CO2 commitments? Scenario analysis based on the integration of LEAP model with LMDI decomposition[J]. Science of the Total Environment, 2023,888: 164151.

收稿日期：2024-08-29；修回日期：2025-05-06。

作者简介：

宋杰

宋杰 （1988），男，学士，高级工程师，主要研究方向为新能源投资、建设、运营，E-mail：241552216@qq.com。

杨迪 （1986），男，学士，工程师，主要研究方向为电气工程及其自动化，E-mail：617118786@qq.com。

鄂德军 （1990），男，硕士，工程师，主要研究方向为电力系统自动化，E-mail：540572376@qq.com。

宋婷婷 （1998），女，硕士，主要研究方向为新能源、碳排放、生态经济，E-mail：songttdyx@163.com。

韩松 （1978），男，博士，教授，主要研究方向为电力系统与综合能源。通信作者，E-mail：15242819@qq.com。

（责任编辑 李锡）