环境科学  2024, Vol. 45 Issue (2): 732-743   PDF    
碳交易背景下中国华北地区碳代谢格局变化
郑宏媚1, 沈方1, 许光耀1, 关欣2     
1. 唐山师范学院资源管理系, 唐山市城市生态系统低碳转型仿真模拟及监测重点实验室, 唐山 063000;
2. 华北理工大学艺术学院, 唐山 063000
摘要: 碳排放权交易市场作为推进美丽中国建设、实现降碳减污绿色发展的重要手段, 成为当前研究的热点问题.为探究碳交易背景下华北地区试点区域及非试点区域碳代谢过程, 以城市碳代谢理论为依据, 采取投入产出分析和生态网络分析相结合的研究方法.结果表明, 北京和天津作为早期交易试点区域, 区域从2012年后呈现直接碳排放量稳步下降、隐含碳排放量缓慢增加趋势.试点产业部门直接排放量与隐含排放量变化趋势一致, 其中煤炭开采和洗选业、石油和天然气开采业和非金属矿物制品业减排效应明显, 而排放量较高的电力、热力的生产和供应业表现为增加趋势.部门隐含碳排放强度与隐含碳排放量变化趋势相似证实部门隐含增加值在交易过程中并未增加.高碳排放部门的隐含碳排放量主要由长度小于6的代谢路径所贡献, 因此应重点关注部门间较短路径传递的商品或服务的“清洁化”.在交易政策实施以前, 区域产业部门间跨区域贸易较少, 表现为低碳排放产品交换;2012年以后, 随着京津冀城市群协同发展以及华北地区不断构筑的区域经济发展新格局, 促使区域间跨区域和跨部门贸易增加.以碳排放权交易制度为背景, 构建识别系统内关键参与者及关键路径的方法体系, 可为区域性政策实施及可持续发展提供科学的发展建议.
关键词: 城市生态学      碳代谢      碳交易      时空格局      华北地区     
Dynamic Analysis on Carbon Metabolism of the Northern Region of China Under the Background of Carbon Emission Trading Policy
ZHENG Hong-mei1 , SHEN Fang1 , XU Guang-yao1 , GUAN Xin2     
1. Tangshan Key Laboratory of Simulation and Monitoring of Urban System Low-carbon Development, Department of Resource Management, Tangshan Normal University, Tangshan 063000, China;
2. College of Art, North China University of Science and Technology, Tangshan 063000, China
Abstract: The launch of the national carbon emissions trading market in China is a policy to carry out the Beautiful China initiative and to establish a low-carbon economic development system that promotes carbon emission and waste reduction. In order to detect the carbon metabolic processes of the pilot and nonpilot municipalities or provinces in the northern region of China, the theory of urban carbon metabolism and the methods of input-output analysis and ecological network analysis were introduced and used. The results showed that the direct carbon emissions of Beijing and Tianjin had decreased, but their embodied carbon emissions had increased since 2012. The direct and embodied carbon emissions of the pilot sectors in Beijing and Tianjin had the same trend; specifically, the emissions of the sectors of mining and washing of coal, extraction of petroleum and natural gas, and manufacture of non-metallic mineral products decreased significantly, but the sectors of production and supply of electric power and steam with high carbon emission increased. The same trend of the embodied carbon emission intensities of sectors with that of their embodied carbon emissions verified that the embodied added values were not growing with the promotion of the carbon emission trading market. Subsequently, the embodied carbon emission of the pilot sectors in all the municipalities and provinces of the northern region were all contributed mainly by the emissions embodied by a path length less than 6; therefore, it showed that more attention should be paid to the trade among sectors with a path length less than 6 and reducing their carbon emissions. Furthermore, from 2007 to 2012, products or service trading among sectors mostly concentrated on sectors within one municipality or province, and these products or services had the characteristics of low carbon emission. Since 2012, the integration development of the Beijing-Tianjin-Hebei urban agglomeration and the new regional economic patterns established in the northern region both promoted the trading across provinces and across sectors. This research is based on the background of the carbon emission trading policy and aims to build a methodology to identify the key actors and paths in a metabolic system. This could provide a scientific basis for regional policy implementation and regional long-term sustainable development.
Key words: urban ecology      carbon metabolism      carbon emission trading policy      spatial-temporal change      northern region of China     

2021年中国二氧化碳排放量排在全球第一位, 严格控制碳排放总量、大幅度降低碳排放强度是中国“十四五”时期发展仍需关注的重点环节[1 ~ 4].为了进一步落实二十大报告“推进美丽中国建设, 协同推进降碳、减污的绿色低碳发展”以及实现国家2030年碳排放强度降低60% ~ 65%的目标, 碳排放权交易市场的建立与完善成为重要抓手[5, 6].2011年10月国家发改委启动五市(北京、天津、上海、重庆和深圳)两省(湖北和广东)的碳交易试点工作[7, 8], 2021年7月16日全国碳交易市场正式上线, 2022年全国碳市场碳排放配额总成交量逾5 088.9万t, 这一举措对于促进产业开展温室气体减排, 降低减排成本起到重要作用[9, 10].华北地区作为我国能源产能结构调整的头号阵地以及全球空气污染最为严重的地区, 包括北京、天津、河北、山西和内蒙古等5个省市.其中北京和天津作为早期参与碳交易的试点地区, 经过多年努力北京碳市场共纳入900家二氧化碳年排放量在5 000 t(含)以上的重点排放单位, 天津碳减排量达918.6万t·a-1和控排企业碳排放量总量从1.4亿t下降到1.2亿t.碳交易作为新时代中国实现“双碳”目标的重要政策工具, 已有研究表明这一政策对试点区域及试点部门的碳排放强度降低具有显著而持续的促进作用[11].那么如何科学评估碳交易政策实施背景下的区域及区域内产业部门碳流转过程?本研究将借助城市碳代谢理论, 考虑到碳交易政策对区域碳减排的促进作用, 追踪华北地区试点区域及非试点区域政策实施前后碳代谢过程, 明晰政策实施背景下区域碳代谢过程时空格局变化, 为区域性政策实施及可持续发展提供科学的发展建议.

城市碳代谢理论以城市代谢为基本框架, 依托产业生态学思想, 城市代谢理论旨在模拟自然生态系统, 追踪参与代谢过程主体间资源输入、流转至输出代谢产物及污染物等过程[12], 通过解析代谢过程白化城市系统内在作用机制[13].由于当前城市化发展带来的全球温室效应, 碳作为关键要素成为研究热点[14], 城市碳代谢理论以区域或区域内产业部门为研究对象, 为了明晰碳元素的流转过程及其环境影响, 追踪碳在城市生态系统内在参与成员中的流动过程, 从而探究参与成员间相互作用方式或相互作用规律[15].目前城市碳代谢研究集中于代谢系统分配特征解析、代谢过程模拟与评价和代谢系统空间分布特征等方面[16, 17], 以上对城市代谢主体及代谢流分配特征的研究为代谢过程内在机制研究奠定数据基础[18, 19].当研究对象上升至区域及以上尺度时, 碳代谢系统表现出明显空间分布特点[20], 例如构建京津冀城市群碳代谢模型确定三地间碳流转方向及输入输出角色[21];探究中国4个直辖市(北京、天津、上海和重庆)与中国其他省及国际区域间由于贸易引起的碳流动及空间的相互依赖关系[22];结合国家地理位置解析全球多国间碳转移流量及方向[23].目前, 碳代谢作为一种探究系统参与成员间碳流转过程的研究理论已被广泛应用于城市碳排放研究, 进一步结合隐含碳, 可以有效地开展城市碳排放量评估.

隐含碳是指整个生产过程中所产生的总的碳排放量, 包含通过生产视角所产生的直接碳排放量以及考虑到区域或部门的消费视角产生的间接碳排放量[21].已有研究中基于元素流分析[24]、投入产出分析[25]和生态网络分析[22]等方法开展核算及评价, 并且已在全球[26]、中国[27]和产业部门[28]等多尺度展开.在得到隐含碳排放量的基础上, 结合经济指标所推导的排放强度指标, 能够有效整合污染物排放及区域经济发展情况, 同时表征碳代谢分配特征[29].通过综合考虑生产和消费视角, 从最终需求入手引入“隐含”思想构建隐含碳排放强度指标, 突出中间产品交换引起的间接碳排放量以及间接经济增加值的影响[30].

碳排放交易作为驱动中国实现碳达峰和碳中和目标的核心政策工具之一[31 ~ 33], 试点区域及部门的成功经验是稳妥推进全国碳排放权交易市场建立的重要依据[34, 35].当前关于碳交易制度的研究涉及制度发展历程的梳理及分析[36, 37]、交易政策对减排的实施效果评价[38]或是引入“隐含碳”从生产和消费视角量化交易政策的实施对区域碳减排的影响[39]等.

基于当前研究现状, 本研究以碳排放权交易制度为背景、城市碳代谢理论为基础, 运用投入产出分析和生态网络分析方法引入隐含碳及排放强度指标, 在明晰碳交易制度对碳减排的促进作用下开展两方面研究.一是追踪区域及产业部门碳代谢过程, 探求系统参与者间协同联动机制, 揭示城市系统内在结构或功能特征;二是构建识别系统内关键节点及关键路径的方法体系, 明晰交易制度背景下区域碳代谢系统时空变化格局, 以期为区域碳交易政策实施及区域碳减排提供理论基础.

1 材料与方法 1.1 研究对象及研究数据

以碳排放权交易制度为背景, 将中国华北地区行政边界作为研究范围, 研究对象涵盖碳交易早期试点区域北京(正式启动时间:2013年11月, 下同)和天津(2013年12月), 以及非试点区域河北、山西和内蒙古.研究中数据来源为2007、2010、2012、2015和2017年5个时间点中国区域间投入产出表, 碳排放量数据来自于China Emission Accounts and Datasets数据库(https://www.ceads.net/).北京和天津首批碳交易纳入企业涵盖电力、石化、化工、建材、钢铁、有色、造纸和航空这8个行业.对应于中国区域间投入产出表中部门名称为:煤炭开采和洗选业;石油和天然气开采业;石油化工、炼焦及核燃料加工业;化学工业;非金属矿物制品业;金属冶炼及压延加工业;电力、热力的生产和供应业;造纸印刷及文教体育用品制造业.在交易启动后试点区域中高能耗、高排放行业需履行严格的减排标准, 表现为试点区域之间、或是试点区域与非试点区域之间贸易往来总量受到影响.对比多时间点数据来源后, 总结各区域内30个产业部门(见表 1).

表 1 区域产业部门编号及名称1) Table 1 Name and numbers of sectors of regions

1.2 碳代谢过程核算

基于莱昂惕夫逆矩阵中投入产出关系[40], 得到:

(1)
(2)

式中, x为总产出列向量, A为直接消耗系数矩阵, y为最终消费列向量.由最终消费引起的隐含碳排放列向量和隐含增加值列向量可以推出[27],

(3)
(4)

式中, f为碳排放强度矩阵(单位总产出的碳排放量), V为单位总产出的增加值矩阵.为最终消费的对角矩阵, E和GDP分别为隐含在最终消费环节的区域或产业部门总碳排放量和总增加值数据.基于Su等[41]提出的综合隐含碳排放强度指标, AEIij为部门j在区域i中隐含碳排放与隐含增加值的比值.

分别为由于最终消费引起的部门j在区域i中隐含碳排放与隐含增加值, 从而得到部门j在区域i中综合隐含碳排放强度.

1.3 系统功能特征解析

隐含碳排放量是由于区域或产业部门间贸易传递所引起, 借鉴生态网络分析理论[42], 进一步拆分公式(3)得到:

(5)

由于E为消费环节中通过区域或部门(多尺度模型中节点)间多次路径传递所引起的隐含碳排放, 其中n为节点代谢路径长度.为节点自反馈矩阵, 反映流经各节点的碳流产生的自我反馈作用;为长度n=1时的代谢路径转移碳流量;为长度为2的代谢路径转移碳流量, 为长度为n的代谢路径转移碳流量.通过核算各路径长度碳流转情况, 明晰在碳交易背景下影响系统碳代谢的关键环节.

接下来进一步剥离隐含增加值数据, 同时由公式(4)得到:

(6)

式中, GDP为消费环节中通过区域或部门(多尺度模型中节点)间贸易传递所引起的隐含增加值, 其中m为节点代谢路径长度.为节点自反馈矩阵, 反映流经各节点的增加值产生的自我反馈作用;为长度m=1时的代谢路径增加值;V×为长度为2的代谢路径增加值, 为长度为m的代谢路径增加值.

2 结果与讨论 2.1 区域碳代谢过程研究

基于区域间投入产出表和相应区域间产业部门直接碳排放量数据, 推导出华北地区各区域从2007 ~ 2017年的隐含碳排放量结果(见图 1), 区域直接碳排放量数据显示北京和天津直接碳排放量从2012 ~ 2017年的碳交易政策实施以来呈现逐年下降趋势, 年均下降幅度分别为17.23%和11.80%, 此处直接碳排放量可看作区域生产视角碳排放, 这与Gao等[39]的研究结果中生产视角碳排放量变化结果一致, 验证区域碳排放量受碳交易政策影响显著;但其余3个区域直接碳排放结果显示2017年相比2012年小幅度增加, 增长幅度在2% ~ 6%之间, 也就是说在碳排放量方面交易制度的实施对试点区域周边地区影响较小.

图 1 华北地区区域直接和隐含碳排放量 Fig. 1 Direct and embodied carbon emissions of the northern region of China

仅考虑区域产业部门间直接碳排放过程可能会忽视由于部门间商品及服务等贸易往来隐含的间接过程, 通过对比隐含碳排放量结果发现北京和天津隐含碳排放量在制度实施后依然表现为增加的趋势, 而其余区域则表现为相反的下降趋势, 说明当考虑到区域产业部门间接过程消费的碳排放量, 例如购买“高碳”的中间产品等行为后, 碳交易制度的减碳效果并不明显.另外, 直接过程与隐含过程的占比结果呈现出从2007 ~ 2017年逐渐下降的趋势.自2012年碳交易政策实施以来, 北京和天津作为试点区域隐含碳排放量从2012 ~ 2015年分别下降3.42%和4.51%, 但是到2017年却表现为大幅度上升, 达到多个时间点中碳排放量最高点, 说明虽然北京和天津直接碳排放量随着政策实施逐年降低, 但考虑区域隐含过程后, 并未表现出与政策调控一致的变化趋势.这可能是由于碳交易作为一种通过市场交易方式控制碳排放环境规制手段, 起初仅在试点区域的部分产业或企业中展开, 这一制度试图激励试点区域企业自主节能减碳, 但是未参与交易制度的企业并未开展减碳活动, 另外区域内企业未能做到中间产品的低碳减排[43].

进一步解析区域产业部门碳代谢过程, 由于早期交易政策仅选取试点区域内8个试点产业部门开展, 分析北京和天津试点产业部门直接碳排放量结果发现(见图 2), 从2012 ~ 2015年除了北京部门11(石油加工、炼焦及核燃料加工业)和天津部门12(化学工业)相比2012年增加了11.30%和72.79%外, 其他试点产业部门碳排放量均有所下降, 这与上述试点区域整体直接碳排放量变化和Gao等[39]的研究结果一致.虽然这类高排放部门碳排放量有所控制, 但其实中国的碳交易市场在起初交易规模较小, 大多数减碳依然源于企业自身对技术的改进及设备的更新等活动.而在河北、山西和内蒙古三地, 部门直接碳排放量从2007 ~ 2017年始终表现为增加趋势, 但是增长速度逐渐变缓.导致三地结果增加的原因不相同, 其中河北与2007年后京津冀城市群开始大规模产业转移活动相关, 从北京和天津相继转移钢铁、化工等高排放行业至河北;另外山西和内蒙古以煤炭开采、煤化工以及金属加工行业为主导, 随着区域发展过程中所提出的绿色、低碳发展理念, 从2007年以后高碳排放量部门排放量虽然仍有所增加, 但是增长速度减缓.

横坐标表示试点产业部门编号 图 2 华北地区区域产业部门直接碳排放量 Fig. 2 Direct carbon emission of pilot sectors of the northern region

结合区域产业部门隐含碳排放量结果(见图 3), 与直接排放量变化趋势一致的是北京部门11(石油加工、炼焦及核燃料加工业), 同样表现为增加趋势, 而北京和天津部门2(煤炭开采和洗选业)、部门3(石油和天然气开采业)和部门13(非金属矿物制品业)从2012年后隐含过程减排效应明显, 隐含碳排放量下降, 其中两地部门13(非金属矿物制品业)在2017年隐含碳排放量降至2007年的31.73%和1.68%.未参与交易的河北、山西和内蒙古三地, 同样的8个高碳排放产业部门隐含碳排放量变化幅度不大, 表现为河北和内蒙古小幅度上升, 山西从2012年后稳步下降.碳交易实施后政策通过制定相关法律法规等行政手段不断完善碳市场, 促进市场机制有效发挥减排效应, 引导企业的减排行为[11].

横坐标表示试点产业部门编号 图 3 华北地区区域产业部门隐含碳排放量 Fig. 3 Embodied carbon emission of pilot sectors of the northern region

2.2 碳代谢时空格局解析

碳排放量反映区域及产业部门的环境影响, 结合经济收益得到的碳排放强度指标可以揭示部门经济增长与碳排放量增长之间的关系.图 4中结果显示试点区域产业部门隐含排放强度大都表现为从2012 ~ 2017年明显的下降趋势, 对比周迪等[44]和曾诗鸿等[45]的研究趋势可知, 碳交易政策对试点部门直接碳排放强度降低具有推动作用, 在部门隐含碳排放量结果中显示部门隐含碳排放量从2012年后有所下降, 说明试点产业部门的隐含增加值也随之表现为降低趋势, 碳市场的交易活动并未增加部门增加值.然而, 两地部门22(电力、热力的生产和供应业)的排放强度最高且表现为增加趋势, 可能是由于当前这两个区域依然以火力发电占主导, 其对煤炭资源较强的依赖导致排放强度居高不下, 同时这一原因也适用于其余三地.

横坐标表示试点产业部门编号 图 4 华北地区区域产业部门隐含碳排放强度 Fig. 4 Embodied carbon emission intensity of pilot sectors of the northern region

基于投入产出分析和生态网络分析方法有效追踪了区域及产业部门碳代谢过程, 明晰交易制度背景下区域碳代谢系统变化时空变化格局.基于代谢过程结合公式(5)和公式(6), 可以剥离代谢系统参与者间代谢路径长度, 进而识别系统内关键节点及关键路径, 揭示生态系统结构或功能特征.

围绕北京和天津高碳排放产业部门, 结果表明研究中的试点部门产业的隐含碳排放量主要由长度小于6的代谢路径所贡献(见图 5), 在2007 ~ 2015年占比几乎均在40%以上, 到了2017年这一比例有所下降.隐含碳排放量中长度小于6的代谢路径是指区域或部门间通过直接或较短路径长度传递中间产品或服务满足自身生产需求的环节所负载的碳排放量.这些代谢路径长度所负载的排放量在隐含碳排放量中占比较高说明区域或部门间通过直接的贸易所隐含的碳排放占隐含碳排放量过程主导.结合部门隐含碳排放量结果发现, 排放量高的部门长度小于6的代谢路径负载的量值占比最高, 以区域部门22(电力、热力的生产和供应业)为例.除2017年以外, 北京和天津部门22的隐含碳排放量中超过70%由长度小于6的代谢路径所传递.考虑到当前碳交易制度的实施背景, 高碳排放的产业部门在约束自身直接碳排放量实现减碳目标的基础上, 也应注意到通过较短路径传递所带来的中间产品或服务的贸易过程的碳排放量贡献, 有针对性的核算或估算这些中间过程中隐含的碳排放量.

横坐标表示试点产业部门编号 图 5 试点区域长度小于6的代谢路径长度负载隐含碳排放量占比 Fig. 5 Ratio of embodied carbon emission that contributed by the path length less than 5

图 6图 7详细展示了试点产业部门从2007 ~ 2017年不同长度代谢路径负载隐含碳排放量情况, 其中部门的自反馈过程在部门12(化学工业)、部门13(非金属矿物制品业)、部门14(金属冶炼及压延加工业)和部门22(电力、热力的生产和供应业)这4个隐含碳排放量最高的部门中占比较高, 尤其是天津部门22, 其自反馈占隐含排放量的58.13%, 且随着交易政策的实施, 自2012年以后, 自反馈碳排放占比逐步提升, 到2017年达到84.35%, 与此同时部门隐含碳排放总量有所降低, 说明部门间由于贸易传递的商品和服务所负载的碳排放量逐渐减少, 中间过程的“清洁化”趋势明显, 这一思路与碳交易的实施背景相符合.但是, 北京产业部门却表现相反的变化趋势, 其中部门22自反馈占比从2007年的25.69%降至2017年的9.63%, 而其隐含碳排放总量呈现增加趋势, 针对这类产业部门在交易政策实施过程中, 不仅要关注其生产视角产生的直接碳排放量, 同时更应一步实施严格的减排政策, 例如是否购买碳排放量较小的中间产品, 从而调控贸易交换产生的隐含碳排放量.

图 6 北京试点产业部门隐含碳排放路径剥离 Fig. 6 Distribution of embodied carbon emission by different path lengths of sectors in Beijing

图 7 天津试点产业部门隐含碳排放路径剥离 Fig. 7 Distribution of embodied carbon emission by different path lengths of sectors in Tianjin

对于隐含碳排放总量较小的试点产业部门, 其中部门2(煤炭开采和洗选业)、部门3(石油和天然气开采业)和部门10(造纸印刷及文教体育用品制造业)长度为1和2和代谢路径负载的碳排放量在所有长度小于6的代谢路径中占主导.部门11(石油加工、炼焦及核燃料加工业)表现为自反馈以及长度为1和2的代谢路径负载碳排放量均衡分布的形式.对比交易政策对部门代谢路径负载碳排放量的影响发现, 从政策实施以来部门通过长度为1和2的代谢路径负载的碳排放量净值逐渐降低, 同时占隐含碳排放总量的比例也有所减少, 在一定程度上证明政策实施的有效性.

基于生态网络分析中流量分析方法, 进一步量化河北、山西和内蒙古产业部门碳代谢过程并识别核心影响环节, 结合空间分析方法明晰华北地区在交易政策影响下时空格局变化.2007年华北地区高碳排放量产业部门间隐含碳排放流动过程结果显示, 部门间没有超过50 Mt隐含碳流量(以CO2计, 下同), 但是到2012年由天津部门14传递至本地部门2、部门11和部门22的流量超过140 Mt, 同样超过50 Mt的部门还有河北部门22至本地部门2以及山西部门22至本地部门2两条代谢路径, 这两条路径负载的碳排放量分别为54.75 Mt和60.95 Mt.到2017年仅剩山西部门22至本地部门2的代谢路径负载碳排放量超过50 Mt达到91.71 Mt.这些高隐含碳流量过程仅存在于某一区域内部产业部门之间, 且均由部门14和部门22输出.分析部门碳流量在10 ~ 50 Mt之间的路径, 2007年这部分路径集中于河北和山西产业部门在区域内部的传递, 同样这些路径也主要是由部门14和部门22分别输出至其余部门;2012年天津产业部门间隐含碳排放量有所增加, 其中部门14输出到其余5个部门路径流量在这一范围, 并且有两条路径传递至河北部门14和内蒙古部门14;到了2017年同样出现跨区域高流量部门隐含碳传递, 分别为河北部门14和部门22均传递至山西部门2的流动过程.这一结果说明在2012年交易政策实施以前, 跨区域贸易较少, 同时均为低碳排放产品交换.至2012年以及2017年以后, 随着京津冀城市群协同发展以及华北地区不断构筑的区域经济发展新格局, 促使区域间跨区域和跨部门贸易增加, 打破传统区域行政边界开展的大规模贸易活动有助于建立更为良性以及可持续的发展格局.

3 结论

(1)北京和天津作为早期交易试点区域, 与已有研究一致的表现为区域直接碳排放量均呈现稳步下降趋势.然而, 区域隐含碳排放量呈现缓慢增加趋势.两地试点产业部门表现为直接排放量与隐含排放量变化趋势一致, 其中部门2(煤炭开采和洗选业)、部门3(石油和天然气开采业)和部门13(非金属矿物制品业)减排效应明显, 而排放量较高的部门22表现为增加趋势.

(2)产业部门隐含碳排放量强度与隐含碳排放量变化趋势相似的结果揭示了部门隐含增加值在交易过程中并未增加.

(3)高碳排放产业部门的隐含碳排放量主要由长度小于6的代谢路径所贡献, 因此应重点关注部门间较短路径传递的商品或服务的“清洁化”.另外, 自2012年以后, 部门自反馈碳排放占比逐步提升, 中间较短贸易过程的“清洁化”趋势明显.

(4)在交易政策实施以前, 区域产业部门间跨区域贸易较少, 均表现为低碳排放产品交换;2012年以后, 随着京津冀城市群协同发展以及华北地区不断构筑的区域经济发展新格局, 促使区域间跨区域、跨部门贸易增加.

参考文献
[1] Liu Z, Deng Z, He G, et al. Challenges and opportunities for carbon neutrality in China[J]. Nature Reviews Earth & Environment, 2022, 3(2): 141-155.
[2] 方恺, 张琦峰, 杜立民. 初始排放权分配对各省区碳交易策略及其减排成本的影响分析[J]. 环境科学学报, 2021, 41(2): 696-709.
Fang K, Zhang Q F, Du L M. Analyzing the impacts of allocation schemes for initial emission allowance on provincial emission trading strategies and their abatement costs[J]. Acta Scientiae Circumstantiae, 2021, 41(2): 696-709.
[3] 胡景心, 沙青娥, 刘慧琳, 等. 珠江三角洲二氧化碳源汇演变特征及驱动因素[J]. 环境科学, 2023, 44(12): 6643-6652.
Hu J X, Sha Q E, Liu H L, et al. Evolution characteristics and driving forces of carbon dioxide emissions and sinks in the Pearl River Delta Region, China[J]. Environmental Science, 2023, 44(12): 6643-6652.
[4] 陈喜阳, 周程, 王田. 多情景视角下中国能源消费和碳达峰路径[J]. 环境科学, 2023, 44(10): 5464-5477.
Chen X Y, Zhou C, Wang T. China's energy consumption and carbon peak path urban different scenarios[J]. Environmental Science, 2023, 44(10): 5464-5477.
[5] 王军锋, 裴子璇. 深刻把握并科学谋划城市群碳达峰、碳中和行动[J]. 环境保护, 2022, 50(1-2): 41-43.
Wang J F, Pei Z X. Deep understanding and planning for carbon peak and carbon neutral action in urban agglomeration[J]. Environmental Protection, 2022, 50(1-2): 41-43.
[6] Zhang Y J, Liang T, Jin Y L, et al. The impact of carbon trading on economic output and carbon emissions reduction in China's industrial sectors[J]. Applied Energy, 2020, 260. DOI:10.1016/j.apenergy.2019.114290
[7] Zhang H J, Duan M S. China's pilot emissions trading schemes and competitiveness: an empirical analysis of the provincial industrial sub-sectors[J]. Journal of Environmental Management, 2020, 258. DOI:10.1016/j.jenvman.2019.109997
[8] Wang X X, Huang J L, Liu H D. Can China's carbon trading policy help achieve Carbon Neutrality?- A study of policy effects from the Five-sphere Integrated Plan perspective[J]. Journal of Environmental Management, 2022, 305. DOI:10.1016/j.jenvman.2021.114357
[9] Wang X Q, Su C W, Lobonţ O R, et al. Is China's carbon trading market efficient? Evidence from emissions trading scheme pilots[J]. Energy, 2022, 245. DOI:10.1016/j.energy.2022.123240
[10] Tan R P, Lin B Q. The long term effects of carbon trading markets in China: evidence from energy intensive industries[J]. Science of the Total Environment, 2022, 806. DOI:10.1016/j.scitotenv.2021.150311
[11] 赵沁娜, 李航. 碳交易试点政策对碳排放强度的影响效应与作用机制——来自准自然实验的经验证据[J/OL]. 世界地理研究. https://kns.cnki.net/kcms/detail/31.1626.p.20230313.0813.002.html, 2023-03-13.
Zhao Q N, Li H. Impact and its mechanism of the carbon emission trading pilot policy on carbon emission intensity: Evidence from quasi-natural experiment[J/OL]. World Regional Studies. https://kns.cnki.net/kcms/detail/31.1626.p.20230313.0813.002.html, 2023-03-13.
[12] Wolman A. The metabolism of cities[J]. Scientific American, 1965, 213: 179-190.
[13] 郑宏媚. 基于生态网络分析的京津冀城市群隐含碳代谢强度研究[J]. 环境科学学报, 2022, 42(3): 487-496.
Zheng H M. Embodied carbon intensity analysis of Beijing-Tianjin-Hebei urban metabolic system based on ecological network analysis method[J]. Acta Scientiae Circumstantiae, 2022, 42(3): 487-496.
[14] Yang Y T, Qu S, Cai B F, et al. Mapping global carbon footprint in China[J]. Nature Communications, 2020, 11(1). DOI:10.1038/s41467-020-15883-9
[15] Zhang Y, Yang Z F, Yu X Y. Urban metabolism: a review of current knowledge and directions for future study[J]. Environmental Science & Technology, 2015, 49(19): 11247-11263.
[16] 刘耕源, 杨志峰, 陈彬, 等. 基于生态网络的城市代谢结构模拟研究——以大连市为例[J]. 生态学报, 2013, 33(18): 5926-5934.
Liu G Y, Yang Z F, Chen B, et al. Study of urban metabolic structure based on ecological network: a case study of Dalian[J]. Acta Ecologica Sinica, 2013, 33(18): 5926-5934.
[17] 刘欣, 杨涛, 武慧君, 等. 中国造纸业物质代谢演化特征[J]. 环境科学, 2021, 42(8): 4061-4070.
Liu X, Yang T, Wu H J, et al. Evolution of material metabolism in China's pulp and paper industry[J]. Environmental Science, 2021, 42(8): 4061-4070.
[18] 刘晶茹, 王如松, 王震, 等. 中国城市家庭代谢及其影响因素分析[J]. 生态学报, 2003, 23(12): 2672-2676.
Liu J R, Wang R S, Wang Z, et al. Metabolism and driving forces analysis of Chinese urban households[J]. Acta Ecologica Sinica, 2003, 23(12): 2672-2676. DOI:10.3321/j.issn:1000-0933.2003.12.022
[19] Zhang Y, Li J, Fath B D, et al. Analysis of urban carbon metabolic processes and a description of sectoral characteristics: a case study of Beijing[J]. Ecological Modelling, 2015, 316: 144-154. DOI:10.1016/j.ecolmodel.2015.08.008
[20] Cui X Z, Li S Y, Gao F. Examining spatial carbon metabolism: features, future simulation, and land-based mitigation[J]. Ecological Modelling, 2020, 438. DOI:10.1016/j.ecolmodel.2020.109325
[21] Zheng H M, Fath B D, Zhang Y. An urban metabolism and carbon footprint analysis of the Jing–Jin–Ji regional agglomeration[J]. Journal of Industrial Ecology, 2017, 21(1): 166-179. DOI:10.1111/jiec.12432
[22] Zheng H M, Li A M, Meng F X, et al. Ecological network analysis of carbon emissions from four Chinese metropoles in multiscale economies[J]. Journal of Cleaner Production, 2021, 279. DOI:10.1016/j.jclepro.2020.123226
[23] Zhang Y, Li Y G, Liu G Y, et al. CO2 metabolic flow analysis in global trade based on ecological network analysis[J]. Journal of Cleaner Production, 2018, 170: 34-41. DOI:10.1016/j.jclepro.2017.08.244
[24] Xu D X, Zhang Y, Li Y G, et al. Path analysis for carbon transfers embodied in China's international trade and policy implications for mitigation targets[J]. Journal of Cleaner Production, 2022, 334. DOI:10.1016/j.jclepro.2021.130207
[25] Tian X, Liu Y W, Xu M, et al. Chinese environmentally extended input-output database for 2017 and 2018[J]. Scientific Data, 2021, 8(1). DOI:10.1038/S41597-021-01035-1
[26] Sun Y F, Zhang Y J, Su B. How does global transport sector improve the emissions reduction performance? A demand-side analysis[J]. Applied Energy, 2022, 311. DOI:10.1016/j.apenergy.2022.118648
[27] Su B, Ang B W, Li Y Z. Structural path and decomposition analysis of aggregate embodied energy and emission intensities[J]. Energy Economics, 2019, 83: 345-360. DOI:10.1016/j.eneco.2019.07.020
[28] Su B, Ang B W. Demand contributors and driving factors of Singapore's aggregate carbon intensities[J]. Energy Policy, 2020, 146. DOI:10.1016/j.enpol.2020.111817
[29] Tian K L, Zhang Y, Li Y Z, et al. Regional trade agreement burdens global carbon emissions mitigation[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-28004-5
[30] Su B, Ang B W, Sun Y F. Input-output analysis of embodied emissions: impacts of imports data treatment on emission drivers[J]. Energy Economics, 2022, 107. DOI:10.1016/j.eneco.2022.105875
[31] Qi S Z, Zhou C B, Li K, et al. The impact of a carbon trading pilot policy on the low-carbon international competitiveness of industry in China: an empirical analysis based on a DDD model[J]. Journal of Cleaner Production, 2021, 281. DOI:10.1016/j.jclepro.2020.125361
[32] Gao M. The impacts of carbon trading policy on China's low-carbon economy based on county-level perspectives[J]. Energy Policy, 2023, 175. DOI:10.1016/j.enpol.2023.113494
[33] Zhou X Y, Zhou D Q, Wang Q W, et al. Who shapes China's carbon intensity and how? A demand-side decomposition analysis[J]. Energy Economics, 2020, 85. DOI:10.1016/j.eneco.2019.104600
[34] Lin B Q, Jia Z J. What will China's carbon emission trading market affect with only electricity sector involvement? A CGE based study[J]. Energy Economics, 2019, 78: 301-311. DOI:10.1016/j.eneco.2018.11.030
[35] Jiang H D, Liu L J, Dong K Y, et al. How will sectoral coverage in the carbon trading system affect the total oil consumption in China? A CGE-based analysis[J]. Energy Economics, 2022, 110. DOI:10.1016/j.eneco.2022.105996
[36] Jiang J J, Xie D J, Ye B, et al. Research on China's cap-and-trade carbon emission trading scheme: overview and outlook[J]. Applied Energy, 2016, 178: 902-917. DOI:10.1016/j.apenergy.2016.06.100
[37] Weng Q Q, Xu H. A review of China's carbon trading market[J]. Renewable and Sustainable Energy Reviews, 2018, 91: 613-619. DOI:10.1016/j.rser.2018.04.026
[38] 房琪, 李绍萍. 碳交易政策如何影响工业碳生产率: 来自中国省级数据的准自然实验[J]. 环境科学, 2023, 44(5): 2983-2994.
Fang Q, Li S P. How do carbon trading policies affect industrial carbon productivity: quasi-natural experiments from Chinese provincial data[J]. Environmental Science, 2023, 44(5): 2983-2994.
[39] Gao Y N, Li M, Xue J J, et al. Evaluation of effectiveness of China's carbon emissions trading scheme in carbon mitigation[J]. Energy Economics, 2020, 90. DOI:10.1016/j.eneco.2020.104872
[40] Leontief W. Environmental repercussions and the economic structure: an input-output approach[J]. The Review of Economics and Statistics, 1970, 52(3): 262-271. DOI:10.2307/1926294
[41] Su B, Ang B W. Multiplicative structural decomposition analysis of aggregate embodied energy and emission intensities[J]. Energy Economics, 2017, 65: 137-147. DOI:10.1016/j.eneco.2017.05.002
[42] Fath B D, Patten B C. Review of the foundations of network environ analysis[J]. Ecosystems, 1999, 2(2): 167-179. DOI:10.1007/s100219900067
[43] 窦晓铭, 庄贵阳. 碳排放权交易政策评估及机制研究综述[J]. 生态经济, 2022, 38(10): 45-52.
Dou X M, Zhuang G Y. Review of research on policy assessment and mechanism of carbon emission trading scheme[J]. Ecological Economy, 2022, 38(10): 45-52.
[44] 周迪, 刘奕淳. 中国碳交易试点政策对城市碳排放绩效的影响及机制[J]. 中国环境科学, 2020, 40(1): 453-464.
Zhou D, Liu Y C. Impact of China's carbon emission trading policy on the performance of urban carbon emission and its mechanism[J]. China Environmental Science, 2020, 40(1): 453-464. DOI:10.3969/j.issn.1000-6923.2020.01.050
[45] 曾诗鸿, 李璠, 翁智雄, 等. 我国碳交易试点政策的减排效应及地区差异[J]. 中国环境科学, 2022, 42(4): 1922-1933.
Zeng S H, Li F, Weng Z X, et al. Study on the emission reduction effect of China's carbon trading pilot policy and regional differences[J]. China Environmental Science, 2022, 42(4): 1922-1933.