2024, Vol. 45
气候变暖是当前全球面临的重要挑战之一, 深刻影响着人类赖以生存的环境.气候变暖导致冰川和积雪融化加速[1]、水资源分布失衡、生物多样性受到威胁和灾害性气候事件频发[2, 3], 威胁经济社会发展和人群健康[4~6].应对气候变暖, 核心是减少温室气体排放[7~10].温室气体主要包括二氧化碳（CO2）、甲烷（CH4）、氧化亚氮（N2O）、氢氟碳化合物（HFCs）、全氟碳化合物（PFCs）和六氟化硫（SF6）等.2020年我国温室气体排放总量[以CO2e（二氧化碳当量）计]为13.9 Gt, 其中CO2排放约11.6 Gt, 为占比最大的温室气体（83%）[11, 12].
工业领域是我国CO2排放的重要来源, 占总CO2排放量的比例超过50%[13].工业领域CO2排放中钢铁行业占比最大, 可贡献40%, 其次为水泥（31%）, 石化化工（14%）、煤化工（11%）和铝冶炼（3%）[14, 15].2010~2020年间, 我国水泥、石化化工、煤化工和铝冶炼的CO2排放呈持续增长趋势, 钢铁行业略有下降[16~18].
以化石燃料为主的能源结构决定了我国CO2和大气污染物排放具有高度的同源性[19].CO2和大气污染物的排放主体均为能源[20~22]、工业[14]、交通[23, 24]等重点领域, 以及火电[25]、钢铁[18, 26, 27]、煤炭[28, 29]和石化[17]等重点行业, 对这些行业领域的调控能起到很好的减污降碳协同的效果.同时, 治理路径也高度相似, 包括推动能源结构调整、产业结构调整和交通运输结构调整等[30, 31].截至到2020年, 燃煤治理体现了减污降碳的协同防治成效, 全国煤炭消费量在能源结构中的占比压减到57%[32], PM2.5浓度较峰值下降了近50%, 单位GDP CO2排放强度下降至97.6 kg·万元-1.
近年来, 针对CO2排放预测及其与大气污染物协同减排的问题越来越受关注.解品磊[33]、程宁熹[34]和石玉淳[35]都采用了长期能源替代规划系统模型（LEAP）, 基于不同情景从未来行业结构、技术水平和能源结构等方面对不同省市工业能源消费和碳排放趋势进行研究, 为工业部门的发展提供了思路.Shao等[14]基于全球变化评估模型（GCAM）对中国工业部门的11个子行业进行分析, 结果指出中国工业CO2排放量在2021~2025年期间达到峰值, 实现工业脱碳的基本要求是挖掘水泥、钢铁和化工行业的减排潜力, 并实施碳捕集和封存技术和氢能源的使用.Chen等[36]在低碳、污染控制和深度减排这3种政策情景下, 对济南市的能源需求和环境协同效益进行了定量评估, 结果指出2016~2030年污染控制政策更有效, 而在2030~2050年低碳政策更有效；在深度减排情景中CO2、PM2.5、PM10、CO、NOx和SO2的排放量将比2016年下降71.4%以上, 全球变暖潜势、人体毒性潜势、光化学臭氧生成潜势、颗粒物形成潜势和酸化潜势也将下降80%以上.已有研究多关注于不同省市的CO2的减排潜力, 但针对不同路径下碳减排与其他大气污染物的协同减排效益的研究尚少.
本文综合使用中国碳核算数据库以及工业和能源统计年鉴, 研究典型区域湖南省工业领域CO2来源结构和排放特征；利用能源经济模型LEAP设计和分析工业领域未来潜在的碳减排路径及相应的CO2排放变化；进一步根据CO2和大气污染物的同源性分析建立其协同减排响应关系, 并利用区域空气质量模型WRF-Chem模拟分析不同CO2减排路径下空气质量的协同改善增益.本文与相关研究的差别主要在于：①全链条关注达峰路径设计-碳排放和大气污染排放变化-空气质量改善响应；②定量评估不同力度管控政策对碳达峰和空气质量达标的潜在影响；以期为国家和区域的减污降碳协同实践提供研究参考和决策依据.
1 材料与方法 1.1 温室气体和空气质量数据温室气体排放数据源自中国碳核算数据库CEADs（https://www.ceads.net.cn/）.湖南GDP及排名情况来自国家统计局；湖南产业结构、工业增加值和常住人口数等来自湖南省统计公报；各行业能源消耗量来自湖南省统计年鉴.
空气质量数据来自国家生态环境部的空气质量监测平台（http://106.37.208.233：20035/）, 目前已覆盖全国300多个城市, 超过2000多个站点.观测指标包括SO2、NO2、CO、O3、PM2.5和PM10, 时间分辨率为小时.
1.2 能源经济模型（LEAP）LEAP（long-range energy alternatives planning system）模型是由波士顿大学与瑞典斯德哥尔摩环境研究所联合开发的长期能源替代规划模型[37~39].作为一种综合能源建模工具, 可分析各区域部门的燃料需求、气体污染物排放和成本效益等, 是温室气体来源和排放研究的主流工具.
基于该模型, 可以计算出能源需求和CO2排放两个部分.能源需求模块与部门的活动水平和能源强度有关, 通过二者乘积计算得到.活动水平指LEAP中部门所完成的活动量, 在本文中活动水平设置为经济指标中的工业增加值；而能源强度指单位活动水平的能耗, 对应上述指标, 代表的含义是每创造万元工业增加值所消耗的能源, 单位（以标煤计）为t·万元-1.LEAP模型计算能源需求量的公式如下：
|
(1) |
式中, Si为终端能源消耗量（以标煤计）, t；ALj,i为第i个部门第j种终端能源使用设备活动水平, 万元；EIj,i为活动水平所对应的能源强度（以标煤计）, t·万元-1.
参照《IPCC国家温室气体排放清单指南》[40, 41]对化石能源消耗的碳排放因子进行计算[式（2）], 主要化石能源相关系数参照表 1.
|
(2) |
|
表 1 主要化石能源相关系数 Table 1 Major fossil energy correlation coefficients |
式中, I为化石能源消费直接碳排放系数；NCVj为能源j的平均低位发热量, kJ·kg-1；CCj为能源j的单位热值碳含量（以C计）, t·TJ-1；Oj为能源j的碳氧化率, %；44/12为二氧化碳排放的转换系数.
基于能源消耗和排放因子可以进行排放量的计算, 进而对污染物造成的环境影响进行评价.以计算燃料燃烧产生的CO2为例, 计算原理如下：
|
(3) |
式中, T为CO2排放总量, t；Si为终端能源消耗量（以标煤计）, t·万元-1；EFi对应能源i的CO2排放因子（以CO2/标煤计）, t·t-1.
本文采用LEAP模型建立了4级活动水平, 包括①部门：工业增加值；②子部门：采矿业、制造业与电力、燃气及水的生产供应业占工业增加值的比重；③行业：不同行业增加值占子部门的比重, 不同行业的能源强度；和④能源：不同类型的能源消耗占各行业能源消耗总量的比重, 关联碳排放因子.
1.3 空气质量模型（WRF-Chem）WRF-Chem（weather research and forecast, coupled with chemistry）模型是由美国国家大气研究中心（NCAR）、美国太平洋西北国家实验室（PNNL）和美国国家海洋及大气管理局（NOAA）共同研发的区域空气质量模型, 被广泛应用于空气质量的研究和管理应用中[42, 43].本文使用WRF-Chem version 3.9.1, 模拟区域覆盖全湖南省及周边, 空间分辨率为18 km；垂直方向由地表至50 hPa高度分为28层, 其中近地面1 km内分为7层.模拟时段为2018年1、4、7和10月, 分别代表冬、春、夏和秋这4个季节.模式中气象初始和边界场由NCEP FNL（https://rda.ucar.edu/datasets/ds083.2/）全球分析资料驱动, 化学初始和边界场由MOZART提供[44].气相化学机制选择SAPRC99[45]；气溶胶机制选择MOSAIC[46].模式模拟中参数化方案的选择如表 2所示, 微物理方案选择的是Morrison 2-moment, 长波短波辐射方案选择的是RRTMG, 表面层方案是MM5 Monin-Obukhov, 光化学方案则使用的是Fast-J photolysis.
|
|
表 2 WRF-Chem参数化方案设置 Table 2 WRF-Chem model parameterization scheme |
人为源排放数据由清华大学所开发的中国多尺度排放清单（MEIC）提供[47], 空间分辨率为0.25°×0.25°, 污染物种类包括CO、CO2、BC（black barbon, 黑碳）、OC（organic carbon, 有机碳）、NH3、SO2、VOC、NOx、PM2.5和PMcoarse（粗粒子, 直径介于2.5~10 μm之间的颗粒物）, 排放源类型包括火电源、工业源、居住源、交通源和农业源.生物源排放由MEGAN（model of emissions of gas and aerosols from nature）模型[48], 结合叶面积指数（leaf area index, LAI）、植物功能类型（plant function Types, PFT）和排放因子（emission factors, EFs）在线计算提供.露天生物质燃烧排放通过NCAR的火灾清单（fire inventory from NCAR, FINN）[49]进行获得, 该排放清单通过对活跃火灾和土地覆盖的卫星观测, 结合活动因子提供了露天燃烧的高分辨率全球清单, 空间分辨率达到1 km.
2 结果与讨论 2.1 工业领域碳减排分析中国碳核算数据库的数据显示, 湖南省2019年碳排放总量约为310.6 Mt, 碳排放强度约0.779 t·万元-1.同年, 湖南省工业领域碳排放量为224.4 Mt, 占湖南省总碳排放量的72.2%.2010~2019年湖南省工业CO2排放与全行业CO2排放呈现相同的变化态势, 即波动下降趋势（图 1）.
|
图 1 2010~2019年湖南省全行业CO2与工业CO2增长率对比 Fig. 1 Comparison of the industry-wide and industrial CO2 growth rates in Hunan Province from 2010 to 2019 |
从具体的工业行业来看, 如图 2所示, 2010~2019年间电力、蒸汽、热力的生产和供应业, 非金属矿物制品业及黑色金属的冶炼和压延业这3个行业稳居湖南省工业CO2排放量前三, 排放量总和占比已超过70%.其中, 非金属矿物制品业是助力工业经济稳步增长的主导行业, 但经济体小且科技研发投入不足, 还需进一步以绿色低碳发展目标为引领, 加快转型升级.此外, 煤炭开采和选矿业, 石油加工和炼焦业, 有色金属冶炼和压延业, 化学原料及化工产品业, 建造业, 造纸和纸制品业等也均在工业CO2排放量前10.
|
图 2 湖南省2010~2019年工业CO2排放特征 Fig. 2 Characteristics of industrial CO2 emissions in Hunan Province from 2010 to 2019 |
基于工业领域不同行业CO2排放特征的研究, 综合考虑未来各行业经济增长速率、能源技术的进步程度、能源结构优化调整等因素, 使用LEAP能源模型设置并分析趋势照常情景、中度减排情景和强化减排情景共3种情景.
（1）趋势照常情景 可理解为“照常发展”, 在保证既定经济发展目标之前提下, 延续当前减排政策相关措施, 对于技术进步和用能结构不做调整或做小幅调整.在活动水平上, 将高耗能行业产值增速控制在2%以内, 继续考虑能源强度的调整, 保持2%的下降率（数据依据：统计年鉴和投入产出表算出各行业产值延续外推）.
（2）中度减排情景 以《“十四五”工业绿色发展规划》等为依据, 在趋势照常情景下进一步发掘政策实施和技术进步的可行性, 提高能源强度的下降率和改善用能结构.较趋势照常情景, 在能源强度的设置上, 分别保持石油、煤炭及其他燃料加工业和非金属矿物制品业2.8%的降幅和其他行业2.8%~5.8%的降幅（数据依据《工业能效提升行动计划》：到2025年, 规模以上工业单位增加值能耗比2020年下降13.5%；国家发改委“十三五规划”纲要草案：“十三五”时期单位GDP能源消耗累积降低15%；“十四五”规划纲要：“十四五”期间单位GDP能源消耗累积降低13.5%）；在燃料结构的设置上, 石油、煤炭及其他燃料加工业、非金属矿物制品业、黑色金属冶炼和压延加工业和有色金属冶炼和压延加工业到2020年煤炭消耗中被电力/天然气代替的比例为6%, 到2026年被代替的比例为16%（数据依据《关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》：到2025年非化石能源消费比重达到20%左右）.
（3）强化减排情景 进一步约束高耗能产业、提高能源效率和优化燃料结构, 减少碳排放峰值并缩短达峰时间.与中度减排情景相比, 高耗能产业的约束程度进一步加强, 产值增速为1.8%；在能源强度上, 分别保持石油、煤炭及其他燃料加工业和非金属矿物制品业3%的降幅和其他行业3%~6%的降幅；在燃料结构的设置上, 石油、煤炭及其他燃料加工业、非金属矿物制品业、黑色金属冶炼和压延加工业和有色金属冶炼和压延加工业到2020年煤炭消耗中被电力/天然气代替的比例为10%, 到2026年被代替的比例为18%~25%（数据依据《关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》：到2030年非化石能源消费比重达到25%左右；《中国能源革命十年展望（2021-2030）》：2030年, 煤炭需求占比降至40%左右, 天然气和非化石能源供给量占能源供应总量的45%以上）.
图 3为2018~2032年湖南工业领域碳排放趋势, 从中可知, 趋势照常情景下碳排放量持续上升, 至2030年达到峰值, 为387.3 Mt；中度减排情景下达峰时间提前至2028年, 峰值为313.5 Mt；强化减排情景下达峰时间进一步提前至2025年, 峰值为309.0 Mt. 由于情景间减排力度不同, 达峰时间和峰值具有显著的差异.
|
图 3 湖南工业领域碳排放趋势（2018~2032年） Fig. 3 Carbon emission trend of Hunan industrial field (2018-2032) |
相较于趋势照常情景, 中度减排和强化减排情景在活动水平中降低了高耗能行业的产值增速, 而能源强度上各行业的单位产值能耗降低率也得到提高, 同时根据各项政策调整了能源结构, 使得节能效果呈现显著差异.如图 4所示, 2025年中度减排情景和强化减排情景分别节能（以标煤计, 下同）18.7 Mt和18.8 Mt, 2030年中度减排情景和强化减排情景分别节能33.5 Mt和38.1 Mt.
|
图 4 3种CO2达峰情景下终端能源消耗量 Fig. 4 Terminal energy consumption under three CO2 emission peaking scenarios |
以化石燃料为主的能源结构决定了我国工业领域CO2和大气污染物排放具有高度的同源性, 以CO2减排为目标的达峰路径也将带来一定的大气污染物减排增益.本研究利用MEIC清单估算人为源大气污染物排放特征, 结合2.1节获得的工业源CO2排放数据和基于LEAP模型的3种碳达峰路径的详细设置, 以排放行业-部门的同源对应关系为桥梁, 建立不同的湖南省工业领域碳减排情景下多种大气污染物排放变化的响应关系.
人为源大气污染物排放特征分析指出：SO2主要来源自工业（48%~60%）和居民（17%~34%）排放, NOx主要源自工业（42%~47%）和交通（31%~37%）排放, CO主要源自居民（49%~58%）和工业（29%~39%）排放, NH3主要源自农业排放（95%~96%）, VOCs主要源自工业（53%~60%）、PM2.5主要源自居民（42%~53%）和工业（40%~51%）排放, PM2.5-10主要来源于工业（63%~79%）和居民（20%~35%）排放.除了NH3其他污染物排放的季节变化特征均呈现出冬季排放高而夏季排放低的特性.就空间分布特征而言, 湖南省大气污染物排放呈现为东部高于西部, 北部高于南部的空间分布特征, 且高值区均出现在长株潭区域.
图 5为各大气污染物排放在不同的CO2达峰情景下的排放趋势变化.结果指出, 各种CO2减排情景均对大气污染物有一定的减排增益, 强化减排情景的力度最大, 中度减排情景次之, 而趋势照常情景对大气污染物排放影响最为缓慢微弱.趋势照常情景中, 在2030年达峰时各大气污染排放量相较于2017年的协同减排比例为：SO2, 45%；NOx, 28%；CO, 18%；VOCs, 33%；NH3, 5%；PM2.5, 40%；PM2.5-10, 44%；BC, 35%；OC, 43%；在同年3种情景中排放量最高.中度减排情景中, 在2028年达峰时各大气污染排放量相较于2017年的协同减排比例为：SO2, 31%；NOx, 15%；CO, 11%；VOCs, 18%；NH3, 3%；PM2.5, 24%；PM2.5~10, 22%；BC, 25%；OC, 35%；在3种情景中排放量居中.强化减排情景中, 在2025年达峰时, 各大气污染排放量相较于2017年的协同减排比例为：SO2, 35%；NOx, 15%；CO, 11%；VOCs, 24%；NH3, 3%；PM2.5, 24%；PM2.5-10, 27%；BC, 24%；OC, 32%；在2025年3种情景中排放量最低.由于工业领域自身的排放结构特征, 工业源对于一次颗粒物减排十分显著, 可达24%~44%, 为各类污染物中最高, 一次颗粒物减排是PM2.5和PM10浓度控制最有效的手段之一, 将显著降低环境颗粒物浓度.同时, 工业源也是VOCs主要行业来源之一, VOCs减排力度可达18%~33%, 将有效降低二次颗粒物和臭氧污染.
|
图 5 不同工业领域碳达峰情景下大气污染物排放响应 Fig. 5 Response of air pollutant emission in different carbon emissions peaking scenarios of industrial fields |
进一步利用区域空气质量模型WRF-Chem, 结合2.2节的CO2与大气污染物减排的协同关系分析, 模拟研究根据不同CO2达峰情景下空气质量改善的协同增效.
基准模拟选定2017年的1、4、7和10月, 分别代表冬季、春季、夏季和秋季.模拟结果与生态环境部在湖南省的66个站点的大气污染物地面观测数据进行对比, 以验证模式的可信度.模式验证结果指出, WRF-Chem模型可以较好地捕捉本地空气污染特征, 主要大气污染浓度模拟误差（NMB, normalized mean bias, 标准化平均偏差）为：±0.1%~±21%. PM2.5模拟效果最优, O3误差相对最大, 但均在合理范围之内, 具体对比见表 3.
|
|
表 3 主要大气污染物在不同季节的模拟值与观测值/μg·m-3 Table 3 Simulated and observed values of major air pollutants in different seasons/μg·m-3 |
如图 6所示, 在3种CO2达峰情景中, 大气污染物浓度均有所降低, 且浓度降低中心主要位于长株潭地区.通过比较3种情景对协同降低大气污染物浓度的效果, 指出强化减排情景协同增效最佳.如图 7所示, 以PM2.5在不同情景各自的达峰年份的变化情况为例, 趋势照常情景中, 在2030年达峰时ρ（PM2.5）为26.6 μg∙m-3, 中度减排情景中, 在2028年达峰时ρ（PM2.5）为28.0 μg∙m-3, 强化减排情景中, 在2025年达峰时ρ（PM2.5）即可达到28.2 μg∙m-3.这主要是由于各种CO2减排的方案均能带来一定程度的PM2.5前体物（SO2、NOx、VOCs和一次PM2.5）排放的降低, 在不考虑未来气象条件显著变化的基础上, PM2.5浓度将随其前体物减排持续下降.但由于各前体物减排力度不同, 二次PM2.5组分的生成机制也存在差异和制约（如硫酸盐和硝酸盐对于氨气的竞争机制）, 不同PM2.5组分的下降趋势不尽相同, SOA降低最为显著, 铵盐变化最小.
|
图 6 不同工业领域碳达峰情景下大气污染物浓度的空间特征 Fig. 6 Spatial characteristics of air pollutant concentration in different carbon emission peaking scenarios of industrial fields |
|
图 7 不同工业领域碳达峰情景下大气污染物浓度响应 Fig. 7 Response of air pollutant concentration under different carbon emission peaking scenarios of industrial fields |
对O3而言, 不同情景对应的达峰年份（2025~2030年）时ρ（O3）为58.0~58.7 μg∙m-3, 较基准模拟均有所下降.自2013年“大气十条”推行以来, 我国PM2.5管控取得了显著成效, 但O3问题日益严重, 已成为影响我国空气优良率最主要的大气污染物.有研究表明, 我国大部分城市地区的O3生成处于VOCs控制[50], 要有效地抑制O3污染, 需要以VOCs管控为主, 即VOCs的减排力度需大于NOx.不同工业达峰情景模拟结果表明, 湖南省O3浓度在2015~2023年波动上升, 2024年后将出现下降趋势, 这主要与工业碳达峰路径下VOCs和NOx的协同减排效果有关, 由于主要的碳排放行业（如钢铁）同时也是VOCs排放的重点行业, 在多减排情景下VOCs和NOx的减排的比值介于1.2~1.6之间, 因此, 在相应的碳达峰年份均能带来一定程度的O3浓度下降.
本研究进一步分析了工业领域不同行业CO2减排的空气质量改善协同增效（图 8）, 结果指出, 制造业减污降碳协同增效的效果最好, 在不同的情景设置中, 当碳达峰时, 可以减少PM2.5、SO2、NO2、CO和PM10浓度为：0.6~1.8、0.4~1.2、0.1~0.5、1.3~6和1.8~8.9 μg∙m-3.
|
图 8 3种CO2达峰情景下不同工业行业对PM2.5改善的贡献 Fig. 8 Contribution of different industrial fields to PM2.5 improvement under three CO2 emission peaking scenarios |
（1）湖南省2019年CO2排放总量为310.6 Mt, 其中工业领域碳排放量为224.4 Mt, 占比超70%, 主要来自于电力、蒸汽、热力的生产和供应业, 非金属矿物制品业及黑色金属的冶炼和压延业等行业.
（2）使用LEAP能源经济模型设置3种潜在的工业碳达峰情景, 包括：趋势照常情景、中度减排情景和强化减排情景.趋势照常情景至2030年达峰, 工业CO2排放量峰值为387.3 Mt；中度减排情景提前至2028年达峰, 峰值为313.5 Mt；强化减排情景进一步提前至2025年, 峰值为309.0 Mt.
（3）3种碳达峰情景中, 主要大气污染物浓度均有所降低, 长株潭地区尤为显著；强化减排情景力度最大, 中度减排次之, 趋势照常相对最弱；工业领域不同行业的减污降碳协同效果有较大差异, 其中制造业协同效果最佳.
| [1] | Abram N J, McGregor H V, Tierney J E, et al. Early onset of industrial-era warming across the oceans and continents[J]. Nature, 2016, 536(7617): 411-418. DOI:10.1038/nature19082 |
| [2] | Kemp L, Xu C, Depledge J, et al. Climate Endgame: exploring catastrophic climate change scenarios[J]. Proceedings of the National Academy of Sciences of the United States of America, 2022, 119(34). DOI:10.1073/pnas.2108146119 |
| [3] | Laborde D, Mamun A, Martin W, et al. Agricultural subsidies and global greenhouse gas emissions[J]. Nature Communications, 2021, 12(1). DOI:10.1038/s41467-021-22703-1 |
| [4] | Shah M, Seraj S, Pennebaker J W. Climate denial fuels climate change discussions more than local climate-related disasters[J]. Frontiers in Psychology, 2021, 12. DOI:10.3389/fpsyg.2021.682057 |
| [5] |
金岩松, 金凯, 王飞, 等. 气候变化和人类活动对东部沿海地区NDVI变化的影响分析[J]. 环境科学, 2023, 44(6): 3329-3342. Jin Y S, Jin K, Wang F, et al. Impacts of climate change and human activities on NDVI change in eastern coastal areas of China[J]. Environmental Science, 2023, 44(6): 3329-3342. |
| [6] | Malik A, Lan J, Lenzen M. Trends in global greenhouse gas emissions from 1990 to 2010[J]. Environmental Science & Technology, 2016, 50(9): 4722-4730. |
| [7] | Tong D, Zhang Q, Zheng Y X, et al. Committed emissions from existing energy infrastructure jeopardize 1.5 degrees C climate target[J]. Nature, 2019, 572(7769): 373-377. DOI:10.1038/s41586-019-1364-3 |
| [8] | Li B, Ma Z M, He G, et al. Offshore wind replaces coal and reduces transmission, enabling China to meet the 1.5 ℃ climate imperative[J]. SSRN Electronic Journal, 2020. DOI:10.2139/ssrn.3699159 |
| [9] | Zhao X, Ma X W, Chen B Y, et al. Challenges toward carbon neutrality in China: strategies and countermeasures[J]. Resources Conservation and Recycling, 2022, 176. DOI:10.1016/j.resconrec.2021.105959 |
| [10] | Chen M L, Chang L, Zhang J M, et al. Global nitrogen input on wetland ecosystem: the driving mechanism of soil labile carbon and nitrogen on greenhouse gas emissions[J]. Environmental Science and Ecotechnology, 2020, 4. DOI:10.1016/j.ese.2020.100063 |
| [11] | Xu Y L, Liu Z Y, Xue W B, et al. Identification of on-road vehicle CO2 emission pattern in China: a study based on a highresolution emission inventory[J]. Resources Conservation and Recycling, 2021, 175. DOI:10.1016/j.resconrec.2021.105891 |
| [12] | 中国能源网. 杜祥琬: 能源的故事与双碳目标[EB/OL]. https://www.china5e.com/index.php?m=special&c=index&a=show&id=23396, 2023-03-05. |
| [13] | Wang G, Deng J G, Zhang Y, et al. Air pollutant emissions from coal-fired power plants in China over the past two decades[J]. Science of the Total Environment, 2020, 741. DOI:10.1016/j.scitotenv.2020.140326 |
| [14] | Shao T M, Pan X Z, Li X, et al. China's industrial decarbonization in the context of carbon neutrality: a sub-sectoral analysis based on integrated modelling[J]. Renewable and Sustainable Energy Reviews, 2022, 170. DOI:10.1016/j.rser.2022.112992 |
| [15] |
严刚, 郑逸璇, 王雪松, 等. 基于重点行业/领域的我国碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 309-319. Yan G, Zheng Y X, Wang X S, et al. Pathway for carbon dioxide peaking in China based on sectoral analysis[J]. Research of Environmental Sciences, 2022, 35(2): 309-319. |
| [16] |
杨楠, 李艳霞, 赵盟, 等. 水泥熟料生产企业CO2直接排放核算模型的建立[J]. 气候变化研究进展, 2021, 17(1): 79-87. Yang N, Li Y X, Zhao M, et al. Establishment of a CO2 direct emission accounting model for cement clinker manufacturers[J]. Climate Change Research, 2021, 17(1): 79-87. |
| [17] |
庞凌云, 翁慧, 常靖, 等. 中国石化化工行业二氧化碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 356-367. Pang L Y, Weng H, Chang J, et al. Pathway of carbon emission peak for China's petrochemical and chemical industries[J]. Research of Environmental Sciences, 2022, 35(2): 356-367. |
| [18] |
薛英岚, 张静, 刘宇, 等. "双碳"目标下钢铁行业控煤降碳路线图[J]. 环境科学, 2022, 43(10): 4392-4400. Xue Y L, Zhang J, Liu Y, et al. Roadmap of coal control and carbon reduction in the steel industry under the carbon peak and neutralization target[J]. Environmental Science, 2022, 43(10): 4392-4400. |
| [19] | Lu Y, Shao M, Zheng C H, et al. Air pollutant emissions from fossil fuel consumption in China: current status and future predictions[J]. Atmospheric Environment, 2020, 231. DOI:10.1016/j.atmosenv.2020.117536 |
| [20] | He K, Lei Y, Pan X, et al. Co-benefits from energy policies in China[J]. Energy, 2010, 35(11): 4265-4272. DOI:10.1016/j.energy.2008.07.021 |
| [21] | Shi Q R, Zheng B, Zheng Y X, et al. Co-benefits of CO2 emission reduction from China's clean air actions between 2013-2020[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-32656-8 |
| [22] |
郝瑞军, 魏伟, 刘春芳, 等. 中国能源消费碳排放的空间化与时空动态[J]. 环境科学, 2022, 43(11): 5305-5314. Hao R J, Wei W, Liu C F, et al. Spatialization and spatiotemporal dynamics of energy consumption carbon emissions in China[J]. Environmental Science, 2022, 43(11): 5305-5314. |
| [23] |
蒋自然, 金环环, 王成金, 等. 长江经济带交通碳排放测度及其效率格局(1985~2016年)[J]. 环境科学, 2020, 41(6): 2972-2980. Jiang Z R, Jin H H, Wang C J, et al. Measurement of traffic carbon emissions and pattern of efficiency in the Yangtze River economic belt(1985-2016)[J]. Environmental Science, 2020, 41(6): 2972-2980. |
| [24] |
庞可, 张芊, 马彩云, 等. 基于LEAP模型的兰州市道路交通温室气体与污染物协同减排情景模拟[J]. 环境科学, 2022, 43(7): 3386-3395. Pang K, Zhang Q, Ma C Y, et al. Forecasting of emission coreduction of greenhouse gases and pollutants for the road transport sector in Lanzhou based on the LEAP model[J]. Environmental Science, 2022, 43(7): 3386-3395. |
| [25] |
薛文博, 王金南, 杨金田, 等. 电力行业多污染物协同控制的环境效益模拟[J]. 环境科学研究, 2012, 25(11): 1304-1310. Xue W B, Wang J N, Yang J T, et al. Simulation of environmental effects of multi-pollutants from the electric power industry[J]. Research of Environmental Sciences, 2012, 25(11): 1304-1310. |
| [26] | Yin R Y, Liu Z D, Shangguan F Q. Thoughts on the implementation path to a carbon peak and carbon neutrality in China's steel industry[J]. Engineering, 2021, 7(12): 1680-1683. DOI:10.1016/j.eng.2021.10.008 |
| [27] |
李晋, 谢璨阳, 蔡闻佳, 等. 碳中和背景下中国钢铁行业低碳发展路径[J]. 中国环境管理, 2022, 14(1): 48-53. Li J, Xie C Y, Cai W J, et al. Low carbon development pathway of China's iron and steel industry under the vision of carbon neutrality —consensus and uncertainty[J]. Chinese Journal of Environmental Management, 2022, 14(1): 48-53. |
| [28] | Zhang L Y, Shen Q, Wang M Q, et al. Driving factors and predictions of CO2 emission in China's coal chemical industry[J]. Journal of Cleaner Production, 2019, 210: 1131-1140. DOI:10.1016/j.jclepro.2018.10.352 |
| [29] |
张鸿宇, 王媛, 郝成亮, 等. 双碳约束下煤化工行业节煤降碳减污协同[J]. 环境科学, 2023, 44(2): 1120-1127. Zhang H Y, Wang Y, Hao C L, et al. Coal-carbon-pollutant coordinated control of coal chemical industry under carbon peak and carbon neutrality constraints[J]. Environmental Science, 2023, 44(2): 1120-1127. |
| [30] | Gao P, Yue S J, Chen H T. Carbon emission efficiency of China's industry sectors: from the perspective of embodied carbon emissions[J]. Journal of Cleaner Production, 2021, 283. DOI:10.1016/j.jclepro.2020.124655 |
| [31] |
杨柏, 秦广鹏, 邬钦. "双碳"目标下中国省域碳排放核算分析[J]. 环境科学, 2022, 43(12): 5840-5849. Yang B, Qin G P, Wu Q. Analysis of provincial CO2 emission accounting in China under the carbon peaking and carbon neutrality goals[J]. Environmental Science, 2022, 43(12): 5840-5849. |
| [32] |
姜华, 高健, 阳平坚. 推动减污降碳协同增效建设人与自然和谐共生的美丽中国[J]. 环境保护, 2021, 49(16): 15-17. Jiang H, Gao J, Yang P J. Promote co-control of air pollutants and GHGs to build a beautiful China with harmonious coexistence between human and nature[J]. Environmental Protection, 2021, 49(16): 15-17. |
| [33] | 解品磊. 基于LEAP模型的吉林省工业碳排放模拟研究及碳减排路径选择[D]. 长春: 吉林大学, 2018. |
| [34] | 程宁熹. 基于LEAP模型的上海市工业部门能源消费与碳排放研究[D]. 上海: 东华大学, 2021. |
| [35] | 石玉淳. 基于LEAP模型的大连市工业能源消费分析研究[D]. 大连: 大连海事大学, 2014. |
| [36] | Chen S, Liu Y Y, Lin J, et al. Coordinated reduction of CO2 emissions and environmental impacts with integrated city-level LEAP and LCA method: a case study of Jinan, China[J]. Advances in Climate Change Research, 2021, 12(6): 848-857. DOI:10.1016/j.accre.2021.08.008 |
| [37] | Hong S J, Chung Y, Kim J, et al. Analysis on the level of contribution to the national greenhouse gas reduction target in Korean transportation sector using LEAP model[J]. Renewable and Sustainable Energy Reviews, 2016, 60: 549-559. DOI:10.1016/j.rser.2015.12.164 |
| [38] | Wang B Q, Lei Z, Shu Y, et al. Technical analysis of energy saving and emission reducing in China's cement industry based on LEAP model[J]. Meteorological and Environmental Research, 2013, 4(1): 1-4, 7. |
| [39] | Heaps C G. LEAP: The Low Emissions Analysis Platform[Software version: 2020. 1. 104][EB/OL]. https://leap.sei.org, 2023-03-07. |
| [40] | Wei C. Historical trend and drivers of China's CO2 emissions from 2000 to 2020[J]. Environment, Development and Sustainability, 2022. DOI:10.1007/s10668-022-02811-8 |
| [41] | IPCC. Guidelines for national greenhouse gas inventories[R]. Geneva: Intergovernmental Panel on Climate Change, 2006. |
| [42] |
余钟奇, 瞿元昊, 周广强, 等. 2018年秋冬季长江三角洲区域PM2.5污染来源数值研究[J]. 中国环境科学, 2020, 40(10): 4237-4246. Yu Z Q, Qu Y H, Zhou G Q, et al. Numerical simulations of PM2.5 pollution source in the Yangtze River Delta region in fall and winter in 2018[J]. China Environmental Science, 2020, 40(10): 4237-4246. DOI:10.3969/j.issn.1000-6923.2020.10.006 |
| [43] |
李勇, 廖琴, 赵秀阁, 等. PM2.5污染对我国健康负担和经济损失的影响[J]. 环境科学, 2021, 42(4): 1688-1695. Li Y, Liao Q, Zhao X G, et al. Influence of PM2.5 pollution on health burden and economic loss in China[J]. Environmental Science, 2021, 42(4): 1688-1695. |
| [44] | Emmons L K, Walters S, Hess P G, et al. Description and evaluation of the model for ozone and related chemical tracers, version 4 (MOZART-4)[J]. Geoscientific Model Development, 2010, 3(1): 43-67. DOI:10.5194/gmd-3-43-2010 |
| [45] | Carter W P L. Documentation of the SAPRC-99 chemical mechanism for VOC reactivity assessment[R]. Riverside: University of California, 2000. |
| [46] | Zaveri R A, Easter R C, Fast J D, et al. Model for simulating aerosol interactions and chemistry (MOSAIC)[J]. Journal of Geophysical Research: Atmospheres, 2008, 113(D13). DOI:10.1029/2007JD008782 |
| [47] | Li M, Zhang Q, Kurokawa J I, et al. MIX: a mosaic Asian anthropogenic emission inventory under the international collaboration framework of the MICS-Asia and HTAP[J]. Atmospheric Chemistry and Physics, 2017, 17(2): 935-963. DOI:10.5194/acp-17-935-2017 |
| [48] | Guenther A, Karl T, Harley P, et al. Estimates of global terrestrial isoprene emissions using MEGAN (Model of Emissions of Gases and Aerosols from Nature)[J]. Atmospheric Chemistry and Physics, 2006, 6(11): 3181-3210. DOI:10.5194/acp-6-3181-2006 |
| [49] | Wiedinmyer C, Akagi S K, Yokelson R J, et al. The fire inventory from NCAR(FINN): a high resolution global model to estimate the emissions from open burning[J]. Geoscientific Model Development, 2011, 4(3): 625-641. |
| [50] | Wu R R, Xie S D. Spatial distribution of ozone formation in China derived from emissions of speciated volatile organic compounds[J]. Environmental Science & Technology, 2017, 51(5): 2574-2583. |