تجزیه و تحلیل عوامل موثر بر انتشار گازهای گلخانه‌ای (ghgs) و پتانسیل‌های کاهش انتشار در ایران

تغییرات اقلیمی جز در سایه کاهش انتشار گازهای گلخانه ای تا سطح امن، قابل کنترل نمی باشد. در این راستا شناسایی عوامل موثر بر انتشار و تحلیل سناریوهای ممکن برای تحقق این هدف اهمیت فراوانی دارد. در پژوهش حاضر با استفاده از روش میانگین لگاریتمی شاخص دیویژیا (lmdi) در تلفیق با مدل توسعه یافته کایا (eki) پنج عامل موثر شامل جمعیت، سرانه gdp، شدت انرژی، شدت کربن و سهم سوخت های فسیلی در بازه زمانی 2012-1971 برای کشور ایران مورد بررسی قرار گرفته است. ارزیابی و مقایسه دو روش تحلیل زنجیره ای و غیرزنجیره ای و سناریوهای مختلف کاهش انتشار براساس indc پیشنهادی از دیگر بخش های پژوهش است. براساس نتایج، شدت کربن، اثر فعالیت و جمعیت دارای اثر افزایشی و سهم سوخت های فسیلی مهم ترین عامل کاهش انتشارها است. اقدامات آتی دولت باید براساس تغییر سوخت مصرفی و الگوی رشد اقتصادی کم کربن متمرکز شود. تحلیل زنجیره ای به عنوان یک واقعه نگار، تاثیر رویدادها را بر عوامل موثر و انتشارها نشان می دهد. درحالی که تحلیل غیرزنجیره ای با حذف نوسانات، تصویری شفاف از الگوهای کلی ارائه می دهد، از میان سناریوهای پیشنهادی تک بُعدی کاهش، بهترین و منطقی ترین گزینه کاهش سهم سوخت های فسیلی (تا 40 درصد نسبت به 2020) و اتکاء بر منابع تجدیدپذیر است. کاهش شدت کربن و شدت انرژی (هر یک به میزان 50 درصد نسبت به سال 2020) گزینه های بعدی به شمار می رود.

Decomposition and Analysis of Driving Forces of GHG Emissions and Emission Reduction Potentials in Iran

Climate change cannot control unless by reduction of GHG emissions to secure level, therefore it is important to identify driving forces and possible scenarios based on targets.In this research, the Logarithmic Mean Divisia Index decomposition approach in combination with Extended Kaya Identity (EKI) are applied to investigate five factors could affect emissions during 19712012 in Iran. These factors include population, GDPcapita, energy and carbon intensity and share of fossil fuels. Chaining, nonchaining methods and three emission reduction scenarios (4, 8 and 12%) based on Iran INDC forms the other parts of research.Based on results, carbon intensity, activity effect, and population contribute to increase and share of fossil fuels has a decreasing effect on emissions. The future targets of government should emphasis on change of fuel type and economic development toward low carbon. Chaining analysis could be used as a calendar, show the effect of events on parameters while nonchaining present a clear image by deleting noises. Among proposed reduction scenarios, the best and logical option emphasize on reduction of fossil fuel share (up to 40% compared to 2020) and development of renewable energies. Improvement of carbon and energy intensity (each as 50% compared to 2020) are the next options.JEL Classification: Q54, Q01Keywords: Climate Change, LMDI, Population, Activity Effect, Carbon Intensity, Energy Intensity.