“ 碳足迹” 一般用于表征产品或服务在其生命周期内直接和间接的温室气体排放^[7], 其结果用二氧化碳（CO₂）当量（CO₂-eq.）表示, 以区别于一般碳排放概念以CO₂绝对质量为度量单位。但在碳足迹核算的系统边界及所包含的温室气体种类方面, 不同学者持有不同的看法。Wiedmann等^[8]认为碳足迹是指产品或服务在生命周期内排放的CO₂排放量; Hertwich等^[9]将碳足迹视为最终消费及其生产过程所产生的所有温室气体排放量; Peters^[10]主张将土地利用、地表反射率等因素也考虑在内, 定义碳足迹为特定时空下生产和消费过程以及土地利用等导致的温室气体排放量之和。

关于“ 碳足迹” 概念的缘起, 目前学界存在两种不同的观点。一种观点认为“ 碳足迹” 源自“ 生态足迹” 理论, 因而将“ 碳足迹” 定义为中和化石燃料所排CO₂需要的森林面积^[11]; 另一种观点认为“ 碳足迹” 原为LCA体系中的“ 气候变化” 影响评价指标, 因而具有生命周期的视角^[12], 该观点已被越来越多的学者所接受。

1.2.1 基于IPCC清单法的碳足迹核算

该方法使用IPCC编制的国家温室气体清单以及对应排放因子来计算各种温室气体的排放量, 其关键在于确定各种温室气体对气候变化的贡献程度, IPCC推荐采用全球暖化潜值（Global Warming Potential, GWP）进行量化。例如, IPCC第五次评估报告^[1]计算得出CH₄的GWP₁₀₀为25, 表明CH₄在100 a时段中的温室效应是同质量CO₂的25倍。

IPCC清单法的优点在于全面考察不同化石燃料燃烧导致的温室气体排放, 数据获取方便, 计算过程较为简便, 适用于各尺度的能源碳足迹核算。但缺陷在于无法涵盖隐含的间接碳排放, 运用于中微观层面时通常需要结合过程分析方法加以修正。此外, 由于各地区生产技术水平、能源品质等差异, 使得区域性排放因子选取存在困难, 如中国大量使用的是低品质煤炭, 其实际排放因子低于IPCC缺省值, 从而导致IPCC清单法计算的过去13 a间中国能源和水泥碳足迹偏高约15%^[13]。

1.2.2 基于生命周期评价的碳足迹核算

LCA是“ 自下而上” 基于过程的分析方法, 考虑了从原材料开采、生产加工、储运、使用、废弃物处理等从“ 摇篮” 到“ 坟墓” 的温室气体排放^[14]。自“ 碳足迹” 概念提出以来, LCA已成为微观层面特别是产品尺度最主要的碳足迹核算方法^[15]。如图1所示, LCA分为目标与范围定义、生命周期清单分析、生命周期影响评价和结果解释4个步骤^[16]。目标与范围定义确定了研究目的以及分析系统的边界和标准; 生命周期清单分析（Life Cycle Inventory, LCI）包括生命周期内物质输入及相应温室气体输出; 生命周期影响评价（Life Cycle Impact Assessment, LCIA）则将具有不同温室效应的气体种类转化成等同于CO₂温室效应的排放当量; 结果解释用于分析碳足迹核算结果, 得出结论并提出对策建议。

图1

Fig. 1

	Figure Option ViewDownloadNew Window
	图1 基于生命周期评价的碳足迹核算过程Fig. 1 Procedure of carbon footprint accounting based on LCA

基于LCA的碳足迹核算同时考虑了系统在生命周期内的直接和间接碳排放, 精度较高, 适用于产品等微观层面的碳足迹核算, 但在宏观层面数据的获取上存在较大障碍。不确定性是该方法面临的主要问题, 如系统边界划定过程中的截断误差、LCIA阶段本地化特征因子的缺乏, 以及标准化和权重化过程的主观性等, 已有不少学者对此展开深入研究并提出了一些解决对策^{[17, 18, 19]}。

1.2.3 基于投入产出分析的碳足迹核算

IOA是一种“ 自上而下” 的分析方法, 反映各部门初始投入、中间投入、总投入与中间产出、最终产出、总产出之间的关系。最初由美国经济学家Leontief于1936年提出, 用于研究美国各部门间的经济关系并且成功预测了美国1950年的钢铁需求量^[20]。此后该方法迅速普及, 20世纪70年代开始用于环境和能源领域研究^{[21, 22]}。投入产出模型在研究资源环境问题时可分为价值型、实物型和混合型3种形式^[23], 其本质都是将生产部门或区域间的经济关系转换为温室气体排放的实物关系, 据此将排放的交换过程清晰地反映出来, 并分摊到各部门或区域中去, 从而使直接和间接的碳排放关系变得明确。图2通过列举标志性事件, 简要梳理了IOA的发展脉络。

图2

Fig. 2

	Figure Option ViewDownloadNew Window
	图2 投入产出分析发展时间轴Fig. 2 Timeline of the development of input-output analysis

基于IOA的碳足迹核算可以概括为投入产出表（Input-Output Table, IOT）的选取与处理、碳足迹模型构建、碳足迹核算和结果分析4个步骤。需要根据核算对象选取适当尺度和时间的IOT并对其进行部门聚集等预处理, 同时减少部门间生产技术差异、规模差异等因素导致的误差。模型的构建机理如图3所示, 核心为碳排放强度系数矩阵、Leontief逆矩阵和最终需求矩阵等, 其中碳排放强度系数矩阵可以通过统计年鉴中各部门的能源消费量、能源碳排放因子和部门产值计算得到, Leontief逆矩阵和最终需求矩阵数据通常均由IOT计算得到。

图3

Fig. 3

	Figure Option ViewDownloadNew Window
	图3 投入产出分析的建模机理Fig. 3 Schematic of input-output modeling

IOA已成为中宏观层面碳足迹核算的主要方法, 能够综合反映经济系统内各部门直接和间接的碳排放关系, 克服因部门间生产关系复杂而导致的重复或遗漏计算问题, 减少了系统边界划定带来的不确定性, 相比LCA具有更高的经济性优势。当然, IOA应用于碳足迹核算时也存在一些局限性。首先, 编制IOT需要耗费大量的时间和精力, 因此利用IOT核算碳足迹具有明显的滞后性。其次, 能源消费数据与IOT中的部门聚集方式可能存在不同, 导致碳足迹核算结果存在一定误差, 部门聚集也使相应的碳排放因子精度存在不足。第三, 基于IOA的碳足迹核算只能应用到部门或区域层面, 在微观层面存在较大障碍, 当然这也为IOA与其他碳足迹核算方法（如LCA）进行整合提供了契机。

单区域投入产出（Single-Regional Input-Output, SRIO）模型是最早应用的IOA模型^[20], 通常用于评估某个国家或区域由最终需求所导致的温室气体排放及其他环境影响^[5]。Walter^[21]利用该模型讨论了美国对外贸易中的污染物排放问题, 然而该研究采用直接消耗系数矩阵而非Leontief逆矩阵进行分析, 忽略了各部门间隐含的生产关系; Bourque^[22]利用Leontief逆矩阵揭示了美国华盛顿州对外贸易中的隐含能源。此后很多学者开始运用该方法研究资源环境问题, Wiedmann^[5]梳理了该领域的重要文献。

SRIO模型为了简化传统IOA所需数据及其计算过程, 假定进口产品和服务的技术水平与国内生产技术水平相同, 忽视了境内外生产技术差异对碳足迹的影响, 从而导致进出口产品的隐含碳核算结果严重失真。事实上, 大多数国家和区域作为开放的经济体, 其中间产品和最终消费部分依靠进口, 这部分温室气体排放和资源消费都无法在SRIO模型中准确体现。

多区域投入产出（Multi-Regional Input-Output, MRIO）模型起源于跨区域投入产出（Inter-Regional Input-Output, IRIO）模型, 后者最初是为了反映国家内部区域间生产技术的差异性, 以克服SRIO模型的缺陷。两者的差别在于区域生产技术系数的计算方式不同^[24], 全球性的MRIO模型为了克服数据限制, 对一个国家内部的生产技术作同质化处理, 因而被视为IRIO模型的简化版^[5]。作为经济学原理成功应用于环境研究的范例, MRIO模型能够清晰追踪环境影响的地理空间分布信息, 从而为量化废料排放或资源消费的跨区域转移与分布提供了一条切实可行的途径。现如今, MRIO模型已成为应用最广、效果最优的IOA模型^[25]。

同时, MRIO模型在数据获取、模型构建、部门聚集等方面依然面临较大挑战。以数据为例, 目前MRIO依赖的全球性数据库主要包括Eora、WIOD、EXIOBASE和GTAP等, 它们的数据来源和编制方法各不相同, 尤其在碳排放因子的计算上, 不同数据库之间存在明显区别^[26], 一定程度上降低了核算结果的可比性和可信度。

基于IOA的碳足迹多针对国际贸易、产业、消费者、区域和组织等尺度（图4）, 而产品尺度则主要采用LCA进行核算。随着核算范围向微观层面扩展, 在组织等尺度碳足迹核算中, 混合核算方法的重要性日益显现。下文将分别评述IOA方法在各尺度碳足迹的应用。

图4

Fig. 4

	Figure Option ViewDownloadNew Window
	图4 投入产出分析在碳足迹中的应用范围Fig. 4 Application range of input-output analysis in carbon footprinting

3.1.1 国际贸易碳足迹核算

经济全球化使各国开始关注贸易过程中的隐含物质流。贸易碳足迹作为重要的组成部分, 影响全球减排目标的落实和各国碳排放权的分配, 是近年来各国学者关注的焦点之一^[27]。国际贸易碳足迹核算的研究对象分为一对一、一对多、多对多等类型（图5）。一对一的贸易碳足迹旨在揭示两个贸易主体之间的隐含碳, 如Xu等^[28]研究了中美两国贸易过程中劳动输入导致的能源消费和碳足迹; 一对多的研究模型关注中心国家与其他国家之间的隐含碳排放, 如Dolter等^[29]核算了加拿大与世界其他区域的贸易碳足迹; 多对多的研究类型旨在分析国际贸易带来的碳转移, 如Peng等^[30]利用全球性MRIO模型核算了国际贸易中的隐含碳足迹, 认为当前贸易结构加剧了发达国家与发展中国家间的环境不平等性。在贸易碳足迹核算过程中, 各国的投入产出数据存在不一致、不兼容等问题, 削弱了全球性MRIO模型的科学性和有效性。

图5

Fig. 5

	Figure Option ViewDownloadNew Window
	图5 国际贸易碳足迹核算类型Fig. 5 Categories of carbon footprint accounting in international trade

3.1.2 产业碳足迹核算

产业碳足迹核算的是产业供应链上的温室气体排放, 为探寻关键排放环节、优化产业结构和布局、量化减排责任提供依据, 因而成为评价产业可持续性的重要指标。Brown等^[31]根据居民医疗消费数据分析了澳洲急救医疗服务的产业碳足迹, 发现供应链中由其他部门导致的温室气体排放量占比高达58%; Kanemoto等^[32]利用全球性MRIO模型核算了187个国家约15 000种产业的碳足迹, 进而为每个国家绘制出一张其在全球贸易中的碳足迹热点图; Hong等^[33]利用MRIO分析得出广东省建筑业隐含能源消费占地区总能源消费比重高达18.6%; 张智慧等^[34]比较了2002、2007和2012年中国主要产业的碳足迹, 发现建筑业对其他产业有较强的碳排放拉动作用。如今, MRIO模型已发展成为产业碳足迹最主要的核算方法^[6]。该方法将产品的最终消费分配到生产的各个环节, 追踪对碳排放贡献最大的节点, 然而难点在于产业最终需求数据与IOT部门类别的对应问题。依靠IOA与树状图（图6）, 结构路径分析方法可以对产业碳足迹进行更为详细的分析, 但是计算量较大。

图6

Fig. 6

	Figure Option ViewDownloadNew Window
	图6 产业供应链结构路径分析框架 注：图左侧表示产业供应链中的生产层n, 其中“ 0层” 表示产业最终需求; “ 箭头” 表示相应的供应链路径, 供应链数量N=dn+1, d为部门数, n为生产层。Fig. 6 SPA framework for the supply chain of industry

3.1.3 消费者碳足迹核算

传统的温室气体核算从生产角度将环境责任分摊到生产的各环节, 形成了许多针对生产过程的碳减排政策。随着消费者负责观念的普及, 人们开始关注不同消费群体和模式对环境的影响。消费者碳足迹可以通过统计年鉴或居民消费调查等途径获取消费数据, 利用部门聚集后的消费数据进行核算^[35]。MRIO模型在消费者碳足迹核算中同样发挥着重要作用, 通过比较不同消费模式下的居民碳足迹, 可以为促进可持续消费提供政策建议。消费者碳足迹核算的最大挑战在于如何将食品、交通、服装、医疗等细致项目的居民消费数据进行分配以对应IOT相应部门。目前的解决思路是对具体研究区域的消费结构进行分类加权, 进而得到最终需求数据。需要注意的是, 这里的消费数据并非针对某个具体产品, 而是指某类消费者对某一类别产品或服务的整体消费（如食品支出、医疗支出等）。

3.1.4 区域碳足迹核算

利用宏观层面（如全国）的IOT和能源消费数据, 结合区域最终需求数据, 可以对特定年份的区域碳足迹进行核算。近年来, 随着各国对编制国家及以下尺度IOT工作的重视, 多区域和省市等单区域的碳足迹研究得以迅速发展。以中国为例, 大多数省区都定期公布相应IOT或延长表。唐志鹏等^[36]量化了1997— 2007年出口导致的中国八区域碳排放直接、间接、溢出和反馈效应; 赵红艳等^[37]对多个省市的碳足迹进行了研究; 林剑艺等^[38]利用IOA测度了厦门的城市碳足迹。国外的多区域碳足迹研究主要以欧盟等发达经济体为对象, 如Kucukvar等^[39]利用时间序列的MRIO模型核算了欧盟各国和土耳其食品产业的碳足迹和能源足迹; Chen等^[40]核算了澳大利亚墨尔本与其他区域之间的碳足迹; 在城市尺度碳足迹核算领域, Ramaswami等^[41]首次将IOA用于核算美国丹佛市碳足迹。

尽管如此, 区域碳足迹核算仍然受到诸多限制。例如, 各个区域投入产出模型的构建需要耗费大量的财力物力。IOT以及其他基础数据的编制尚未完全制度化和标准化, 利用不同层级的IOT、最终需求数据以及能源强度等数据进行混合分析会产生较大误差。MRIO模型的编制工作面临更多挑战, 以中国为例, 目前最新的八区域MRIO为2007年版, 30省区域MRIO为2012年版, 大大削弱了研究的时效性。

3.1.5 组织碳足迹核算

组织碳足迹核算有助于企业、公司、学校等机构制定并执行节能减排措施, 以获得更多的竞争优势。一般而言, 组织碳足迹被认为是生命周期内某一机构直接和间接的温室气体排放总量。在实际的组织碳足迹核算过程中, 往往人为划定组织碳足迹核算的系统边界, 以减少核算过程的复杂性和不确定性。现有的组织碳足迹核算一般分为3个层次^[42]：第一层为组织使用化石燃料导致的直接温室气体排放; 第二层为组织外购电力导致的间接温室气体排放; 第三层为组织运营过程导致的间接温室气体排放。传统的组织碳足迹核算通常基于LCA, 但是将某一供应链上下游组织的碳足迹进行加总时, 其结果远远大于实际的产业碳足迹, 存在严重的重复计算问题。对此, Fang等^[43]提出了一个类似于经济学中“ 附加值” 的组织碳足迹新定义：组织在生产运行过程中所有输出产品碳足迹与输入产品碳足迹的差额。该定义有助于从全局的视角对不同组织机构的碳排放责任进行明确划分。

以混合生命周期评价（Hybrid LCA）为代表的混合核算方法将LCA与IOA相结合, 一定程度上提高了组织碳足迹核算的精准度。在处理宏观环境对微观组织的输入环节中, 将宏观IOT的列项根据微观组织的生产过程进行部门聚集; 在处理微观组织对宏观环境的输出环节中, 将宏观IOT的行项根据微观组织的生产过程进行部门聚集。如此一来, 宏观与微观的物质交换在Leontief逆矩阵中得以体现, 例如Wiedmann等^[44]较早采用混合方法核算了英国中央政府的碳足迹。诚然, 混合核算模型对技术要求较高, 因此借助计算机简化建模过程是未来组织碳足迹核算的发展方向之一。

3.2.1 碳足迹结构分解分析

碳足迹受一系列驱动因素的影响, 如碳排放强度、生产结构、需求结构、人口变化等, 研究这些因素对碳足迹变动的贡献程度对于制定碳减排政策、实现减排目标具有重要意义。结构分解分析通过对碳排放强度、能源结构、产业结构、最终消费结构以及人口结构等因素进行分析, 量化其对碳足迹的贡献程度（图7）。Leontief等^[45]最早利用结构分解分析研究能源问题, 之后Casler等^[46]将其应用于碳足迹分析。但直到近几年, 该领域研究成果才逐渐增多^[47]。主要障碍是不同的结构分解模型得到的因素贡献值不同, 对各种方法的结果求平均值是目前较为可行的解决途径^[48]。

图7

Fig. 7

	Figure Option ViewDownloadNew Window
	图7 结构分解分析因素模型Fig. 7 Model of structural decomposition analysis

3.2.2 碳足迹情景分析

碳足迹情景分析用于研究不同假设情景下的能源强度、碳排放强度等因素变化, 有助于预测未来碳足迹的变化趋势并制定相应政策。近几年, 一些学者开始尝试将IOA与情景分析相结合, 以便更加客观和全面地预测碳足迹的未来变化。例如, De Koning等^[49]利用供给使用表预测了3种情形下2050年全球的碳足迹; 李根等^[50]根据6种情景下的经济增长和需求结构变化, 分析了中国制造业能源强度优化方案。基于IOA的碳足迹情景分析也存在局限性, 如其假设生产结构在一段时间内固定、投入产出具有线性关系, 因而无法解释短期生产结构关系变化对碳足迹的影响。

IOA反映了部门间复杂的生产关系, 以此进行碳足迹核算可以将直接和间接的温室气体排放加以区分, 避免了LCA存在的截断误差。此外, IOA模型一旦构建起来, 就能够较快地得到核算结果, 无需花费过多的资源, 具有较好的经济效益。

4.2.1 核算对象的限制

IOT大多利用部门间的生产关系来反映国家或区域尺度的经济活动, 因而在核算碳足迹时只能将温室气体排放归结到部门层面。与LCA相比, IOA在组织、产品等中微观层面存在较大误差, 难以精确核算某个具体环节的温室气体排放。因此, 基于IOA的碳足迹研究主要限制在贸易、产业、区域等宏观层面^[6]。

4.2.2 数据获取的限制

基于IOT的碳足迹核算反映了既定年份经济活动与环境排放之间的关系^[6]。由于IOT的编制用时较长, 更新缓慢, 导致实际研究常常不得不使用往年的投入产出数据, 造成分析结果的系统误差。近年来, MRIO模型受到学界广泛青睐。与SRIO模型不同的是, MRIO模型的发布并非来自政府, 而是一些国际组织根据官方数据编制而成, 其数据来源和编制方法不尽相同, 在一致性和可靠性方面有较大提升空间。Arto等^[51]认为在美国、中国、俄罗斯和印度等国的碳足迹核算中, 不同数据库最高可导致50%的结果变动幅度, 因此有必要倡导更为标准、科学的MRIO模型构建原则。此外, IOT所统计的数据是既定年份的全年总值, 因此计算所得的技术水平也为一年的平均数据, 限制了未来利用IOA模型进行更为具体精细、实时的碳足迹分析^[6]。无论是SRIO还是MRIO模型, 都面临数据不确定性、IOT的数据分配和部门聚集不一致等问题。

碳足迹研究为各国全面掌握碳排放规模和强度、制定气候变化应对措施提供了重要依据^[52]。经济全球化的深入发展使得各国更加关注国际和区域间等经济活动中的隐含碳足迹, IOA的优势逐渐体现。世界各国对IOT编制工作高度关注, IOT关于部门、行业的划分越来越细致, 越来越多的国际组织也致力于编制MRIO模型, 这一系列积极变化有助于IOA在碳足迹核算中发挥更大的作用。LCA等其他核算方法的发展一定程度上弥补了IOA在核算范围等方面存在的不足, 混合核算方法、结构分解分析方法、情景分析等新兴方法促进了IOA在碳足迹研究中不断完善。

4.4.1 一般性挑战

不同学者核算同一对象的碳足迹时, 确定的系统边界也可能存在较大差异, 尤其对于组织碳足迹而言, 系统边界划分的不确定性使得不同研究之间缺乏可比性。非官方组织编制的MRIO模型缺乏权威性, 即便是官方发布的IOT, 其数据也常常备受质疑。

4.4.2 中国性挑战

首先, IOT的编制及其相关应用在我国起步较晚, 编制技术和经验落后于欧美发达国家, 未来有较大的提升空间; 其次, 我国区域发展严重不平衡的现实导致编制水平和数据公开程度存在很大区别, 经济不发达地区的数据可得性和可靠性相对较低; 再次, 我国MRIO模型编制工作严重滞后, 限制了区域间碳足迹核算研究的开展, 不利于各区域协同推进温室气体减排。

微观层面的碳足迹核算有利于制定更具针对性、操作性和可行性的减排政策, 以Hybrid LCA为代表的混合核算方法的发展影响着该尺度碳足迹核算的精度。尽管已有学者利用Hybrid LCA进行碳足迹方面的核算研究, 但该方法对数据和技术要求较高, 一定程度上阻碍了其普及和发展。因此, 利用计算机技术进行Hybrid LCA分析是该领域未来的发展方向之一。为克服IOT的局限性, 一些学者开始综合利用不同层级以及不同年份的最终需求数据和IOT进行区域碳足迹核算。该方法在区域IOT缺失的情况下有一定的指导意义, 但是其核算结果与实际区域碳足迹仍有差别, 编制区域IOT仍然是提升区域碳足迹核算质量的根本途径^[53]。

投入产出模型的构建是进行IOA的关键, 构建部门分类更为细致可靠、与环境影响更为密切、覆盖更多国家和地区的IOT对IOA的发展至关重要。MRIO模型主要用于研究国家或区域间的贸易关系, 如中国与欧盟、中国与美国、中国八大区域之间的贸易活动等, 然而随着生产全球化的发展, 各国之间的贸易往来日益频繁, 传统的MRIO模型无法同时考虑国家间和地方间的技术差异, 核算结果存在较大误差。多尺度多区域投入产出（Multi-Scale Multi-Regional Input-Output, MSMRIO）模型的发展极大地推动了这一问题的解决。例如, Meng等^[54]研究了中日两国内部区域与东盟、东亚和美国贸易关系; Minx等^[55]将全球性投入产出数据与英国各地方总产出数据相结合, 对英国各城市的碳足迹进行了核算。MSMRIO模型既研究国际经济体之间的相互关系, 又考虑了地方区域间的技术差异。尤其对于包括中国在内的新兴经济体来说, 该模型较为充分地考虑了各地区间的发展鸿沟, 可以提升区域碳足迹核算的精准性, 有利于制定“ 共同但有区别” 的区域协同减排政策。

碳足迹情景分析旨在模拟较长时期内社会、经济及自然因素对碳排放及其温室效应的影响, 对制定环境与能源政策具有重要的指导意义。尤其在《巴黎协定》生效的背景下, 对不同政策和技术情景下的碳足迹进行预测, 可能会影响到未来产业结构和需求结构的变化趋势。尽管基于IOA的碳足迹情景分析研究仍存在一些缺陷（如短期生产结构固定假设、投入产出线性关系假设）, 但该方法对于长期非连续的生产结构改变导致的碳足迹变化仍具有较好的解释力。未来碳足迹情景分析在预测部门技术水平变化、部门间生产结构关系变化、需求结构变化、能源质量及其技术变化等方面还有较大的发展空间, 值得相关学者继续探索。