2024, Vol. 45
2. 国家城市环境污染控制工程技术研究中心, 北京 100037
2. National Engineering Research Centre for Urban Environmental Pollution Control, Beijing 100037, China
制造业作为实体经济的支柱, 是首都经济增长的重要引擎, 同时也是能源消耗和污染排放的重要来源. 2013年以来, 北京市相继发布了本市清洁空气行动计划[1]（“清空五年”）和蓝天保卫战行动计划[2]（“蓝天三年”）, 提出要优化产业结构和能源结构, 加快推进工业生产绿色化, 协同推进经济高质量发展和生态环境高水平保护. 在制造业领域, 文献[3, 4]的发布实施, 明确了北京市制造业绿色转型升级的路径, 提出必须坚持低碳化的发展方向, 建立节能、清洁、循环和低碳的新型生产方式, 以绿色制造推动产业转型升级, 并对制造业能耗水平和污染物排放强度等指标提出了具体要求. 近年来, 北京市大力推进制造业领域产业结构和用能结构调整, 传统的高耗能和高排放行业企业已基本完成退出, 制造业基本实现无燃煤.
2022年, 为落实国家碳达峰碳中和决策部署, 文献[5]正式发布实施, 提出把实现减污降碳协同增效作为促进经济社会发展全面绿色转型的总抓手, 要突出工业等主要领域、重点行业和关键环节, 强化资源能源节约和高效利用, 加快形成有利于减污降碳的产业结构和生产方式. 制造业作为工业的主要组成部分, 是减污降碳的重点领域之一. 因此, 有必要开展制造业污染物和CO2协同减排效果评估以及综合驱动影响研究, 为助力制造业实现减污降碳协同增效提供技术支撑, 同时为相关政策的制定提供科学依据.
学者们对于制造业污染排放和碳排放相关研究集中在京津冀区域[6~ 9]、成渝地区[10, 11]和长三角[12~ 15]及珠三角[16, 17]等制造业较为发达的东部沿海地区, 研究内容主要围绕制造业排放趋势预测、协同减排研究和排放驱动影响分析等. 对于协同减排的研究方法主要包括协同控制坐标系分析法[18]、协同控制交叉弹性分析法[18]、协同减排当量指标[19]、LEAP模型[20, 21]、协同效应基准回归分析[22]和可计算一般均衡模型[23]等, 国内以坐标系法较为常见；排放驱动影响的研究方法包括对数平均迪氏（LMDI）分解模型[24~ 27]、STIRPAT模型[28, 29]、结构分解法（SDA）[30]和面板向量自回归（PVAR）模型[31]等, 其中, LMDI模型因能够消除分解过程中残差影响的优点[32]而得到了广泛的应用. 有研究表明, 在协同减排方面, 制造业通过园区集聚发展和园区循环改造可以有效降低污染物及碳排放[33~ 36], 钢铁[37, 38]和水泥[39, 40]等重工业通过结构调整和工程措施可实现协同减排；在驱动因素影响方面, 技术进步和能效提升是制造业大气污染物减排的主要影响因素[10, 34, 41], 优化产业结构和降低能源强度是CO2减排的关键因素[15, 42~ 45]. 目前, 从协同减排效果评估来看, 现有研究多偏重于对某一行业（如石化、水泥或钢铁行业等）的减排措施进行协同效果评估, 对于长时间序列下制造业整体减污降碳效果的评估较少；从驱动影响因素分析来看, 针对制造业的排放驱动研究多是单独围绕污染物或者CO2展开的, 对于二者协同的驱动影响研究相对不足, 还有待进一步深入.
本研究以北京市制造业为研究对象, 基于经济社会发展相关参数, 计算了2013~ 2020年北京市制造业大气污染物和CO2排放量, 分析了排放量变化趋势和阶段特征. 采用协同效应系数开展了制造业减污降碳协同效果评估, 并利用LMDI模型对制造业排放驱动因素进行了分解, 量化分析了各驱动因素对于大气污染物排放、CO2排放以及二者综合的影响程度, 以期为推动北京市制造业绿色低碳转型、实现减污降碳协同增效提供科学借鉴.
1 材料与方法 1.1 大气污染物和CO2排放量计算以SO2、NOx和烟（粉）尘等大气污染物和CO2为研究对象, 计算2013~ 2020年北京市制造业大气污染物与CO2排放量. 本研究仅考虑生产过程产生的直接排放, 不考虑电力和热力等终端能源使用的间接排放, 大气污染物和CO2的计算方法分别见公式（1）和公式（2）.
|
(1) |
式中, EAP为制造业生产过程大气污染物排放量；Ai为制造业i行业的产品产量、原辅材料用量或燃料；EFAPi为制造业i行业的大气污染物排放因子；ηAPi为制造业i行业大气污染控制技术对污染物的去除效率.
|
(2) |
式中, ECO2为制造业CO2排放量；Aj为第j种能源消费实物量；λj为第j种能源的标煤折算系数；EFCO2为第j种能源的标煤CO2排放因子, 其中, 煤炭、天然气和燃料油的排放因子（以CO2/标准煤计）参照生态环境部《省级二氧化碳排放达峰行动方案编制指南》, 分别为2.66、1.56和1.73 t·t-1.
1.2 协同效应系数协同效应系数参照文献[27, 46, 47], 可分级定量分析大气污染和CO2的协同减排效应, 计算方法见公式（3）. 协同效应级别划分如表 1所示.
|
(3) |
|
表 1 协同效应级别划分 Table 1 Classification of synergy effects |
式中, S为协同效应系数；ΔECO2为当年CO2相对于上年的减排量；ECO2为上年CO2排放量；ΔEAP为当年大气污染物相对于上年的减排量；EAP为上年大气污染物排放量.
1.3 排放当量计算为了反映大气污染物和CO2的综合排放情况, 采用排放当量来分析各因素的影响程度. 由于价格是唯一能够反映二者对经济和环境的综合影响[38], 因此将价格作为排放当量的折算依据, 参照Zhang等[19]和何峰等[39]的研究, 北京市制造业大气污染物和CO2排放当量计算见公式（4）.
|
(4) |
式中, Eeq为排放当量, WLAP和WCO2分别为大气污染物和CO2减排量的相对权重, αi为第i种大气污染物的折算系数；ERi和ERCO2分别为第i种大气污染物和CO2的减排量. 协同减排当量指标各系数设置见表 2.
|
|
表 2 排放当量系数设置 Table 2 Setting of emission equivalent coefficient |
1.4 驱动因素分解
以2013年为基准年, 采用LMDI模型对北京市制造业大气污染物排放量、CO2排放量以及二者的排放当量进行分解, 以此分析各驱动因素的影响程度. 本研究选择人口规模、经济发展、产业结构、制造业能耗强度、制造业能源结构和制造业排放强度作为驱动因素. 北京市制造业大气污染物排放量、CO2排放量和排放当量分解见公式（5）.
|
(5) |
式中, C为大气污染物排放量、CO2排放量和排放当量；n为制造业消耗的能源品种数量；P为人口数量；G为地区生产总值（GDP）；M为制造业增加值；E为制造业能源消费总量；Sj为第j种能源的消费量, Cj为第j种能源的大气污染物或CO2排放量. Cp, j、Cg, j、Cm, j、Ce, j、Cs, j和Ct, j分别为：人口规模效应、经济发展效应、产业结构效应、能源强度效应、能源结构效应和排放强度效应. 在此基础上, T时期内的排放总量变化分解见公式（6）.
|
(6) |
式中, ΔC为T时期内大气污染物、CO2排放和当量的排放变化量；CT为第T年的排放量；C0为基准年的排放量；ΔCp, j、ΔCg, j、ΔCm, j、ΔCe, j、ΔCs, j和ΔCt, j分别为人口规模、经济发展、产业结构、能源强度、能源结构和排放强度对于排放的贡献量.
在公式（6）基础上, 利用LMDI加法分解形式对排放量进行分解. 分解结果若为正, 表示该因素的变化促进大气污染物或CO2排放；若为负, 则表示该因素能减少大气污染物或CO2排放. 各驱动因素对排放量的贡献可以分解为：
|
(7) |
|
(8) |
|
(9) |
|
(10) |
|
(11) |
|
(12) |
大气污染物和CO2排放量计算涉及的制造业产品产量、原辅材料用量和分品种能源消费量等活动水平数据来自《北京统计年鉴（2014~ 2021）》[49]和相关企业的社会责任报告. 大气污染物排放因子参照《排放源统计调查产排污核算方法和系数手册》[50], 去除效率根据企业实地调研获得；CO2排放因子参照生态环境部《省级二氧化碳排放达峰行动方案编制指南》, 能源折标系数按照北京市2013~ 2020年能源消费实物量和标准量均值进行折算. 驱动因素分解涉及的人口、GDP、制造业增加值和制造业分品种能源消费量来自《北京统计年鉴（2014~ 2021）》, 其中GDP和制造业增加值以2013年不变价计算.
2 结果与讨论 2.1 排放趋势特征北京市制造业大气污染物和CO2排放量以及相关的经济社会发展指标变化趋势见图 1. 2013~ 2020年, 制造业排放总体呈下降趋势, SO2、NOx、烟（粉）尘和CO2排放量分别减少了92.5%、79.2%、88.0%和60.3%.
|
图 1 2013~ 2020年北京市制造业排放和经济社会发展情况 Fig. 1 Manufacturing industry emissions and socio-economic development in Beijing from 2013 to 2020 |
本研究选择人口、GDP、制造业增加值、制造业煤炭和天然气消费量、水泥产量和原油加工量等与制造业排放相关的经济社会参数进行了趋势分析, 2013~ 2020年, 人口、GDP、制造业增加值和制造业天然气消费量分别增长了3.51%、50.17%、27.85%和14.81%, 制造业煤炭消费量、水泥产量和原油加工量分别减少了85.67%、66.96%和11.56%. 通过经济社会相关参数和排放数据的对比分析可以得出, 2013~ 2020年, 北京市在经济社会和制造业平稳发展的同时, 通过优化调整制造业内部产业结构和能源结构, 实现了制造业排放显著降低.
北京市制造业大气污染物和CO2排放阶段性特征明显. 其中, 2013~ 2017年（“清空五年”时期）, 北京市制造业排放呈快速下降趋势, 大气污染物减排均在70%以上, CO2减排了52.40%. 2018~ 2020年（“蓝天三年”时期）, 制造业各项排放呈稳定下降趋势, 大气污染物减排在29.11%~ 54.41%, CO2减排了16.51%. 总体来看, 北京市制造业排放在“清空五年”时期的下降速度要明显快于“蓝天三年”时期, 该结论与陈敏[10]的研究结论一致. 这是由于北京市在“清空五年”时期基本完成规模以上工业燃煤锅炉清洁能源改造, 实施了水泥生产脱硝和工业窑炉除尘设施升级改造等末端治理减排工程, 在大幅减少大气污染物排放的同时有效带动碳减排. 随着工程减排空间的收窄, “蓝天三年”时期北京市制造业治理的方向和重点发生了变化, 更加注重结构调整和标准提升等管理减排措施, 制造业排放下降速度相对趋缓. 各阶段减排比例见表 3.
|
|
表 3 各阶段制造业减排比例1）/% Table 3 Emission reduction ratio of manufacturing industry in each stage/% |
2.2 协同效应分析
采用协同效应系数分析北京市制造业减污降碳协同效应, 结果见图 2. 制造业各项大气污染物和CO2的协同效应系数均大于0, 说明2013~ 2020年北京市制造业实施的减排措施具有减污降碳协同效应, 且各系数范围在0.02~ 0.96, 均在0~ 1之间, 说明减排措施对大气污染物的减排作用要大于CO2. 其中, 在2015年、2016年和2019年, 各项大气污染物和CO2的协同效应系数均在0.5~ 1之间, 协同效应较好；在2018年, 协同效应系数均降到0.1以下, 协同程度一般, 这是由于2018年北京市原油加工量和水泥产量略有上升, 分别较2017年增加了1.38%和6.04%, 制造业天然气消费总量增加了13.65%, 导致制造业CO2的减排程度要小于大气污染物, 说明石化和水泥等两高行业的产能增加会导致协同效应系数减小, 对于制造业减污降碳影响较大.
|
图 2 北京市2014~ 2020年制造业协同效应系数 Fig. 2 Synergistic effect coefficients of manufacturing industry in Beijing from 2014 to 2020 |
采用LMDI模型对北京市2013~ 2020年制造业SO2、NOx、烟（粉）尘和CO2排放量以及排放当量进行驱动因素分解, 并按照2013~ 2017年（“清空五年”时期）和2018~ 2020年（“蓝天三年”时期）进行分阶段分解, 分别见表 4和图 3.
|
|
表 4 驱动因素贡献率1）/% Table 4 Contribution rate of driving factors/% |
|
图 3 分阶段驱动因素贡献情况 Fig. 3 Contribution of phased driving factors |
总体来看, 人口规模和经济发展对于排放起正向促进作用. 其中, 人口规模在2013~ 2020年对于各项排放增加的贡献率在1.19%~ 2.06%之间, 在2013~ 2017年的贡献率均在1.19%以上, 2018~ 2020年下降到0.7%左右. 这是由于2017年发布实施了北京城市总体规划（2016~ 2035年）[51]提出了严格控制人口规模, 通过疏解非首都功能实现人随功能走、人随产业走, 因此2017年之后北京市人口增长放缓, 部分年份出现负增长的情况, 故“蓝天三年”时期人口规模对于排放的正向拉动有所减弱. 经济发展在各阶段对于排放的推动作用均较为明显, 其中2013~ 2020年对于各项大气污染物的贡献率在12.88%~ 17.98%之间, 对于CO2和排放当量的贡献率分别为22.24%和19.48%, 由此可以看出经济发展对于CO2的排放贡献大于大气污染物.
能耗强度降低对于制造业排放降低的贡献最大, 2013~ 2020年, 对各项大气污染物的排放贡献率在-31.98%~ -44.65%之间, 对于CO2的排放贡献率为-55.21%. 特别是在2013~ 2017年, 北京市开展了百项节能标准建设专项, 制、修订了汽车行业三项单车能耗限额标准和乙烯单位产品能源消耗限额等一系列工业节能标准, 实施了重点企业的能效提升、清洁生产和资源循环利用等技术改造, 制造业生产所用能耗强度下降了56%左右, 对大气污染物排放贡献为-37.33%~ -45.39%, 对CO2排放贡献为-54.28%. 能耗强度降低对于排放当量的贡献也最为显著, 在2013~ 2020年和2013~ 2017年, 其贡献率均接近-50%, 这是由于大气污染物和CO2排放同根同源的特征, 减少能源消费能显著降低二者的排放[52], 对于二者的协同减排效果最为明显.
能源结构优化对于制造业排放降低的贡献也较为明显, 2013~ 2020年, 对大气污染物的排放贡献率分别在-28.56%~ -40.77%, 对于CO2的排放贡献为-19.73%. 特别是在2013~ 2017年, “清空五年”提出通过清洁能源改造等方式减少企业生产煤炭使用量, 并实施了重点行业燃煤压减, 开展了工业企业燃煤锅炉清洁能源改造, 制造业煤炭消费减少了78%以上, 煤炭消费比重由2013年的60.9%降至2017年的22.7%, 同时, 制造业天然气消费量上升了23.0%, 比重由36.6%升至76.7%, 能源结构优化在“清空五年”时期对大气污染物排放的贡献率在-28.35%~ -42.47%, 对于CO2排放贡献率为-16.97%. 2018~ 2020年, 制造业煤炭消费比重降至17.2%, 天然气消费比重升至82.8%, 与“清空五年”时期相比变化不显著, 对于大气污染物排放的贡献率在-9.85%~ -15.93%, 对CO2排放贡献仅为-3.22%, 因此能源结构优化在“蓝天三年”时期对于制造业的排放贡献小于“清空五年”时期.
排放强度降低对于大气污染物排放削减有一定的贡献作用, 2013~ 2020年, 通过加严排放标准和工程治理等措施有效地降低了大气污染物排放, 对SO2、NOx和烟（粉）尘排放的贡献率分别为-28.24%、-11.13%和-32.32%. 其中, 排放强度降低在2013~ 2017年对于NOx减排贡献更明显, 这是由于在2013年和2015年北京市分别发布了水泥工业大气污染物排放标准和锅炉大气污染物排放标准两项地方标准, 开展了水泥生产脱硝和燃气锅炉低氮改造, 且在2017年基本完成改造, 水泥生产和燃气锅炉的NOx排放因子分别降低了50%和60%左右, 对于制造业NOx的排放贡献为-10.77%. 2018~ 2020年, 排放强度降低对于烟（粉）尘的减排贡献较明显, 这源于“蓝天三年”时期对使用水泥和砂石等粉状物料的重点行业实施了物料运输、装卸、储存、转移和工艺过程等无组织深度治理, 修订了预拌混凝土绿色生产管理规程地方标准, 发布了搅拌站密闭提标改造的通知, 加大了对预拌混凝土的绿色生产管理和搅拌站密闭化升级改造, 对于烟（粉）尘的排放贡献为-26.41%. 2013~ 2020年, 北京市制造业企业尚未开展碳捕集、利用与封存（CCUS）等减少碳排放技术的规模化应用, 因此排放强度降低对于CO2排放基本无贡献.
产业结构调整在2013~ 2020年对于制造业排放总体上为负向驱动影响, 但存在阶段性差异. 其中, 在2013~ 2017年, 随着制造业的发展, 制造业增加值占GDP的比重有所提升, 产业结构对于大气污染物和CO2排放有小幅的推动作用, 贡献率在0.58%~ 0.84%之间. 2018~ 2020年, 由于发展高精尖产业和退出一般性制造业被写入北京城市总体规划, 北京市加大了对高精尖制造业的发展力度, 实施了污染物排放较大、能耗较高、工艺落后和不符合首都城市战略定位的一般制造业和污染企业退出, 但受新旧动能转化影响, 在2018~ 2020年制造业增加值占比仍有所下降, 由13.95%降至11.73%, 对于大气污染物和CO2排放贡献为-11.95%~ -15.82%, 产业结构调整的减排作用在“蓝天三年”时期开始显现；由于产业结构优化升级从源头上减少了大气污染和CO2排放, 因此在2018~ 2020年对于二者排放当量的负向驱动贡献最大, 达到-15.2%.
3 建议（1）优化调整制造业内部结构. 北京市在“清空五年”和“蓝天三年”时期均提出通过优化产业结构来实现污染物的源头削减, 并实现了在减污的同时有效带动降碳. 然而, 北京市石化和建材两个传统行业的增加值占制造业总增加值不足5%, 但其带来的主要大气污染物排放量占制造业排放总量的85%以上, CO2占比在55%以上. 未来在碳达峰碳中和战略背景下, 应更加关注降碳的源头牵引作用, 深度优化制造业内部结构, 大力发展高端智能绿色的高精尖制造业, 严控、压减在京石化生产规模和剩余水泥产能, 加大对能耗较高和排放较大的工业行业和工艺设备淘汰力度, 持续推动不符合首都功能定位的一般制造业企业动态调整退出. 同时, 应严格北京市新建项目环境准入, 针对制造业大气污染物和CO2排放, 对标世界先进水平, 制定科学性和有效性的环保准入要求.
（2）推进节能提效改造升级. 减少能源消耗和提高能源利用效率是制造业减污降碳的重要方向. 虽然北京市高精尖制造业能耗强度低于制造业平均水平, 但汽车、电子和医药等行业能耗强度高于广州和深圳等国内重点城市, 仍有能效提升空间. 未来建议重点围绕北京市重点发展的高精尖制造业, 开发节约能源工艺, 实施企业能源低碳智慧管控, 对标国际先进水平和能效标杆水平开展清洁生产技术改造. 此外, 推广制造业高能效设备, 逐步淘汰高耗能通用设备, 针对电机系统和变压器等重点通用设备, 开展节能技术改造, 实施升级替代, 提高重点通用设备的运行能效指标.
（3）加快推进减污降碳技术攻关和应用. 根据北京市相关规划, 制造业增加值占地区生产总值的比重将由2020年的11.7%上升至13%~ 15%, 在未采取进一步措施的情况下, 会带来潜在的大气污染物和CO2排放, 给减污降碳工作带来较大压力和挑战. 建议加强制造业减污降碳技术研发和应用, 大气污染物治理优先采用源头替代措施, 选取低耗高效组合工艺进行治理, 开展减污降碳改造提升试点工程. 特别是在降碳方面, 应立足北京国际科技创新中心建设, 充分发挥北京市高校和科研院所的优势, 针对制造业绿色低碳发展技术创新需求, 开展低碳、零碳和负碳关键技术攻关, 促进制造业近零排放和绿色技术替代.
（4）提升制造业电力占终端能源消费比重. 北京市制造业电力占终端能源消费的比重低于全国平均水平, 未来应以电能替代为方向, 持续优化制造业能源结构, 减少化石能源的直接使用. 建议北京市在无煤化的基础上, 进一步降低制造业天然气消费, 提高终端能源消费电气化水平和绿电使用比例. 一方面, 针对重点行业企业, 以及加热和烘干等环节, 推广电锅炉和电加热技术, 扩大电气化终端能源设备的使用比例；另一方面, 加强工业企业和园区绿色微电网建设, 鼓励开展厂房光伏和分布式风电的开发和应用.
4 结论（1）从制造业排放趋势来看, 2013~ 2020年, 北京市制造业排放总体呈下降趋势, 大气污染物排放减少了79.2%~ 92.5%, CO2排放减少了60.3%. 其中, “清空五年”和“蓝天三年”期间, 治理手段逐渐由工程减排向管理减排转变, 制造业各项排放均呈现不同的阶段性特征, 由2013~ 2017年的“加速减排期”过渡到2018~ 2020年的“稳定减排期”.
（2）从减污降碳协同效果来看, 2013~ 2020年, 各项大气污染物和CO2的协同效应系数均在0~ 1之间, 说明对于大气污染物的减排作用大于CO2. 2018年, 由于石化和水泥行业产能增加, 协同效应系数均降到0.1以下, 协同程度一般.
（3）从各驱动因素影响来看, 人口规模和经济发展对于排放起正向拉动作用, 能耗强度降低和能源结构优化对于减排的贡献较大, 排放强度降低对于大气污染物具有减排效果, 产业结构调整在“蓝天三年”时期的减排效果开始显现. 针对大气污染物和CO2的协同减排综合驱动影响来看, 能耗强度降低的协同效果最为明显, 在“清空五年”时期尤为显著；产业结构调整在“蓝天三年”时期的协同效果最佳.
| [1] | 北京市人民政府. 北京市2013-2017年清洁空气行动计划[EB/OL]. https://www.beijing.gov.cn/zhengce/zhengcefagui/201905/t20190522_59933.html, 2017-01-03. |
| [2] | 北京市人民政府. 关于印发《北京市打赢蓝天保卫战三年行动计划》的通知[EB/OL]. https://www.beijing.gov.cn/zhengce/zhengcefagui/201905/t20190522_61552.html, 2018-09-14. |
| [3] | 北京市经济和信息化委员会, 北京市发展和改革委员会. 北京市"十三五"时期工业转型升级规划[EB/OL]. http://fgw.beijing.gov.cn/fgwzwgk/zcgk/ghjhwb/wnjh/202204/t20220413_2675020.htm, 2017-05-24. |
| [4] | 北京制造业创新发展领导小组. 关于印发《北京绿色制造实施方案》的通知[EB/OL]. https://www.beijing.gov.cn/zhengce/zhengcefagui/201905/t20190522_59731.html, 2016-12-08. |
| [5] | 生态环境部, 国家发展和改革委员会, 工业和信息化部, 等. 关于印发《减污降碳协同增效实施方案》的通知[EB/OL]. https://www.mee.gov.cn/xxgk2018/xxgk/xxgk03/202206/t20220617_985879.html, 2022-06-10. |
| [6] | Yu X H, Liang Z F, Fan J J, et al. Spatial decomposition of city-level CO2 emission changes in Beijing-Tianjin-Hebei[J]. Journal of Cleaner Production, 2021, 296. DOI:10.1016/j.jclepro.2021.126613 |
| [7] | Shu Y, Hu J N, Zhang S H, et al. Analysis of the air pollution reduction and climate change mitigation effects of the three-year action plan for blue skies on the "2+26" cities in China[J]. Journal of Environmental Management, 2022, 317. DOI:10.1016/j.jenvman.2022.115455 |
| [8] |
李涛, 薛领, 赵威. 产业结构调整对城市PM2.5的影响机理[J]. 经济地理, 2023, 43(5): 180-192. Li T, Xue L, Zhao W. Influencing mechanism of industrial structure adjustment on urban PM2.5 in China[J]. Economic Geography, 2023, 43(5): 180-192. |
| [9] |
孙铁山, 刘禹圻. 京津冀城市工业对雾霾污染影响的溢出效应——基于制造业投资城市网络的视角[J]. 地理科学进展, 2023, 42(2): 237-248. Sun T S, Liu Y Q. Spillover effects of urban industries on haze pollution among cities of the Beijing-Tianjin-Hebei region: from the perspective of inter-city manufacturing investment network[J]. Progress in Geography, 2023, 42(2): 237-248. |
| [10] |
陈敏, 李振亮, 段林丰, 等. 成渝地区工业大气污染物排放的时空演化格局及关键驱动因素[J]. 环境科学研究, 2022, 35(4): 1072-1081. Chen M, Li Z L, Duan L F, et al. Spatiotemporal patterns and key driving forces of industrial air pollutant discharge in Chengdu-Chongqing region[J]. Research of Environmental Sciences, 2022, 35(4): 1072-1081. |
| [11] |
王敏, 冯相昭, 杜晓林, 等. 工业部门污染物治理协同控制温室气体效应评价——基于重庆市的实证分析[J]. 气候变化研究进展, 2021, 17(3): 296-304. Wang M, Feng X Z, Du X L, et al. Evaluation of co-controlling GHGs from pollutant reduction facilities in the industrial sectors, empirical analysis based on data in Chongqing City[J]. Climate Change Research, 2021, 17(3): 296-304. |
| [12] | Guo Y, Zeng Z Z, Tian J P, et al. Uncovering the strategies of green development in a Chinese province driven by reallocating the emission caps of multiple pollutants among industries[J]. Science of the Total Environment, 2017, 607⁃608: 1487-1496. |
| [13] |
王兆峰, 李竹, 吴卫. 长江经济带不同等级城市碳排放的时空演变及其影响因素[J]. 环境科学研究, 2022, 35(10): 2273-2281. Wang Z F, Li Z, Wu W. Spatio-temporal evolution and influencing factors of carbon emissions in different grade cities in the Yangtze River economic belt[J]. Research of Environmental Sciences, 2022, 35(10): 2273-2281. |
| [14] |
李芸邑, 刘利萍, 刘元元. 长江经济带工业污染排放空间分布格局及其影响因素[J]. 环境科学, 2021, 42(8): 3820-3828. Li Y Y, Liu L P, Liu Y Y. Spatial distribution pattern and influencing factors of industrial pollution emissions in Yangtze River economic belt[J]. Environmental Science, 2021, 42(8): 3820-3828. |
| [15] |
吕一铮, 曹晨玥, 田金平, 等. 减污降碳协同视角下沿海制造业发达地区产业结构调整路径研究[J]. 环境科学研究, 2022, 35(10): 2293-2302. Lü Y Z, Cao C Y, Tian J P, et al. Industrial structure adjustment path in coastal areas with developed manufacturing industries from perspective of synergistic reduction of pollutants and CO2 emissions[J]. Research of Environmental Sciences, 2022, 35(10): 2293-2302. |
| [16] |
周振, 肖林海, 费蕾蕾, 等. 东莞工业集中区夏季臭氧污染与非污染期间VOCs组分特征及其来源[J]. 环境科学, 2022, 43(9): 4497-4505. Zhou Z, Xiao L H, Fei L L, et al. Characteristics and source apportionment of volatile organic compounds (VOCs) in a typical industrial area in Dongguan during periods of ozone and non-ozone pollution in summer[J]. Environmental Science, 2022, 43(9): 4497-4505. |
| [17] |
宋鑫, 袁斌, 王思行, 等. 珠三角典型工业区挥发性有机物(VOCs)组成特征: 含氧挥发性有机物的重要性[J]. 环境科学, 2023, 44(3): 1336-1345. Song X, Yuan B, Wang S H, et al. Compositional characteristics of volatile organic compounds in typical industrial areas of the Pearl River Delta: importance of oxygenated volatile organic compounds[J]. Environmental Science, 2023, 44(3): 1336-1345. |
| [18] |
毛显强, 邢有凯, 高玉冰, 等. 温室气体与大气污染物协同控制效应评估与规划[J]. 中国环境科学, 2021, 41(7): 3390-3398. Mao X Q, Xing Y K, Gao Y B, et al. Study on GHGs and air pollutants co-control: assessment and planning[J]. China Environmental Science, 2021, 41(7): 3390-3398. |
| [19] | Zhang Q Y, Cai B F, Wang M D, et al. City level CO2 and local air pollutants co-control performance evaluation: a case study of 113 key environmental protection cities in China[J]. Advances in Climate Change Research, 2022, 13(1): 118-130. DOI:10.1016/j.accre.2021.10.002 |
| [20] | Jiang J J, Ye B, Shao S, et al. Two-Tier synergic governance of greenhouse gas emissions and air pollution in China's megacity, Shenzhen: impact evaluation and policy implication[J]. Environmental Science & Technology, 2021, 55(11): 7225-7236. |
| [21] |
吴乐敏, 陈丙寅, 欧林冲, 等. 东莞市低碳路径下加速电气化对CO2和污染物协同减排影响[J]. 环境科学, 2023, 44(12): 6653-6663. Wu L M, Chen B Y, Ou L C, et al. Impact of accelerated electrification under the low carbon path in Dongguan City on the coordinated emission reduction of CO2 and pollutants[J]. Environmental Science, 2023, 44(12): 6653-6663. |
| [22] |
陈晓红, 张嘉敏, 唐湘博. 中国工业减污降碳协同效应及其影响机制[J]. 资源科学, 2022, 44(12): 2387-2398. Chen X H, Zhang J M, Tang X B. Synergistic effect of industrial air pollution and carbon emission reduction in China and influencing mechanism[J]. Resources Science, 2022, 44(12): 2387-2398. |
| [23] | Song P, Mao X Q, Li Z Y, et al. Study on the optimal policy options for improving energy efficiency and co-controlling carbon emission and local air pollutants in China[J]. Renewable and Sustainable Energy Reviews, 2023, 175. DOI:10.1016/j.rser.2023.113167 |
| [24] | Yang P G, Liang X, Drohan P J. Using Kaya and LMDI models to analyze carbon emissions from the energy consumption in China[J]. Environmental Science and Pollution Research, 2020, 27(21): 26495-26501. DOI:10.1007/s11356-020-09075-7 |
| [25] | Alajmi R G. Factors that impact greenhouse gas emissions in Saudi Arabia: decomposition analysis using LMDI[J]. Energy Policy, 2021, 156. DOI:10.1016/j.enpol.2021.112454 |
| [26] | Yang J, Cai W, Ma M D, et al. Driving forces of China's CO2 emissions from energy consumption based on Kaya-LMDI methods[J]. Science of the Total Environment, 2020, 711. DOI:10.1016/j.scitotenv.2019.134569 |
| [27] | Wen L, Li Z K. Provincial-level industrial CO2 emission drivers and emission reduction strategies in China: combining two⁃layer LMDI method with spectral clustering[J]. Science of the Total Environment, 2020, 700. DOI:10.1016/j.scitotenv.2019.134374 |
| [28] |
刘茂辉, 岳亚云, 刘胜楠, 等. 基于STIRPAT模型天津减污降碳协同效应多维度分析[J]. 环境科学, 2023, 44(3): 1277-1286. Liu M H, Yue Y Y, Liu S N, et al. Multi-dimensional analysis of the synergistic effect of pollution reduction and carbon reduction in Tianjin based on the STIRPAT model[J]. Environmental Science, 2023, 44(3): 1277-1286. |
| [29] |
杨洋. 黑龙江省能源消费大气污染物与CO2减排协同效应研究[D]. 黑龙江: 哈尔滨师范大学, 2023. Yang Y. Research on synergistic effect of energy consumption air pollutions and CO2 emission reduction in Heilongjiang province[D]. Heilongjiang: Harbin Normal University, 2023. |
| [30] |
姜钰卿, 唐旭, 任凯鹏, 等. 基于双层嵌套SDA的中国减污降碳驱动因素研究[J]. 系统工程理论与实践, 2022, 42(12): 3294-3304. Jiang Y Q, Tang X, Ren K P, et al. Research on the drivers of pollution and carbon reduction in China based on double-layer nested SDA[J]. Systems Engineering —Theory & Practice, 2022, 42(12): 3294-3304. |
| [31] |
冯俊华, 韩美. 技术创新与碳排放效率耦合协调关系及驱动力研究——以装备制造业细分行业为例[J]. 环境污染与防治, 2023, 45(1): 128-132. Feng J H, Han M. Research on the coupling coordination and driving force of technological innovation and carbon emission efficiency: taking the sub-sectors of equipment manufacturing industry as an example[J]. Environmental Pollution & Control, 2023, 45(1): 128-132. |
| [32] | Shang Y Z, Lu S B, Shang L, et al. Decomposition methods for analyzing changes of industrial water use[J]. Journal of Hydrology, 2016, 543: 808-817. DOI:10.1016/j.jhydrol.2016.10.053 |
| [33] |
刘旭, 周震. 基于北京市制造产业聚集形势变化与管理研究[J]. 环境科学与管理, 2022, 47(8): 10-14. Liu X, Zhou Z. Research and management suggestions based on changes in Beijing's manufacturing industry agglomeration[J]. Environmental Science and Management, 2022, 47(8): 10-14. |
| [34] |
张平淡, 屠西伟. 制造业集聚与雾霾: 基于能源消费的异质性分析[J]. 北京理工大学学报(社会科学版), 2022, 24(6): 30-40. Zang P D, Tu X W. Manufacturing agglomeration and haze: Heterogeneity analysis based on energy consumption[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2022, 24(6): 30-40. |
| [35] |
赵若楠, 马中, 乔琦, 等. 中国工业园区绿色发展政策对比分析及对策研究[J]. 环境科学研究, 2020, 33(2): 511-518. Zhao R N, Ma Z, Qiao Q, et al. Comparative analysis of green development policies of China's industrial parks and countermeasure research[J]. Research of Environmental Sciences, 2020, 33(2): 511-518. |
| [36] |
杨儒浦, 王敏, 胡敬韬, 等. 工业园区减污降碳协同增效评价方法及实证研究[J]. 环境科学研究, 2023, 36(2): 422-430. Yang R P, Wang M, Hu J T, et al. Evaluation method and empirical study on synergistic reduction of pollution and carbon emissions in industrial parks[J]. Research of Environmental Sciences, 2023, 36(2): 422-430. |
| [37] |
朱廷钰, 刘霄龙. 中国钢铁行业"超低排放"向"减污降碳"过渡的技术思考[J]. 过程工程学报, 2022, 22(10): 1360-1367. Zhu T Y, Liu X L. Technical consideration on the transition from "ultra-low emissions" to "reduction of pollution and carbon emissions" in China's iron and steel industry[J]. The Chinese Journal of Process Engineering, 2022, 22(10): 1360-1367. |
| [38] |
高玉冰, 邢有凯, 何峰, 等. 中国钢铁行业节能减排措施的协同控制效应评估研究[J]. 气候变化研究进展, 2021, 17(4): 388-399. Gao Y B, Xing Y K, He F, et al. Research on co-control effectiveness evaluation of energy saving and emission reduction measures in China's iron and steel industry[J]. Climate Change Research, 2021, 17(4): 388-399. |
| [39] |
何峰, 刘峥延, 邢有凯, 等. 中国水泥行业节能减排措施的协同控制效应评估研究[J]. 气候变化研究进展, 2021, 17(4): 400-409. He F, Liu Z Y, Xing Y K, et al. Co-control effect evaluation of the energy saving and emission reduction measures in Chinese cement industry[J]. Climate Change Research, 2021, 17(4): 400-409. |
| [40] |
刘树洋, 周灵君, 姜伟立, 等. 基于案例分析的大气污染物与温室气体协同减排效应研究[J]. 污染防治技术, 2022, 35(2): 3-8. Liu S Y, Zhou L J, Jiang W L, et al. Analysis of synergistic emission reduction effect of air pollutants and greenhouse gases based on cast analysis[J]. Pollution Control Technology, 2022, 35(2): 3-8. |
| [41] |
蒋春来, 宋晓晖, 钟悦之, 等. 2010~ 2015年我国水泥工业NOx排放清单及排放特征[J]. 环境科学, 2018, 39(11): 4841-4848. Jiang C L, Song X H, Zhong Y Z, et al. Emissions inventory and characteristics of NOx from cement industry[J]. Environmental Science, 2018, 39(11): 4841-4848. |
| [42] |
沈叶, 刘中侠, 邓翠翠, 等. 工业部门低碳化驱动因素与脱钩路径分析——以安徽省为例[J]. 长江流域资源与环境, 2022, 31(12): 2597-2607. Shen Y, Liu Z X, Deng C C, et al. Analysis of driving factors and decoupling path of low-carbonization on industrial sector: a case study of Anhui Province[J]. Resources and Environment in the Yangtze Basin, 2022, 31(12): 2597-2607. |
| [43] | Shen J L, Zhang Q, Xu L S, et al. Future CO2 emission trends and radical decarbonization path of iron and steel industry in China[J]. Journal of Cleaner Production, 2021, 326. DOI:10.1016/j.jclepro.2021.129354 |
| [44] | Liu D D. Convergence of energy carbon emission efficiency: evidence from manufacturing sub-sectors in China[J]. Environmental Science and Pollution Research, 2022, 29(21): 31133-31147. DOI:10.1007/s11356-022-18503-9 |
| [45] |
李少林, 王齐齐. "大气十条"政策的节能降碳效果评估与创新中介效应[J]. 环境科学, 2023, 44(4): 1985-1997. Li S L, Wang Q Q. Evaluation of energy saving and carbon reduction effect of air pollution prevention and control action plan and innovation intermediary effect[J]. Environmental Science, 2023, 44(4): 1985-1997. |
| [46] |
刘茂辉, 刘胜楠, 李婧, 等. 天津市减污降碳协同效应评估与预测[J]. 中国环境科学, 2022, 42(8): 3940-3949. Liu M H, Liu S N, Li J, et al. Evaluation and prediction of the synergistic effect of pollution reduction and carbon reduction in Tianjin[J]. China Environmental Science, 2022, 42(8): 3940-3949. |
| [47] |
俞珊, 张双, 张增杰, 等. 北京市减污降碳协同控制情景模拟和效应评估[J]. 环境科学, 2023, 44(4): 1998-2008. Yu S, Zhang S, Zhang Z J, et al. Scenario simulation and effects assessment of co-control on pollution and carbon emission reduction in Beijing[J]. Environmental Science, 2023, 44(4): 1998-2008. |
| [48] | 中华人民共和国生态环境部. 中华人民共和国环境保护税法(2018年修正)[EB/OL]. http://www.mee.gov.cn/ywgz/fgbz/fl/201811/t20181114_673632.shtml, 2018-11-14. |
| [49] | 北京市统计局, 国家统计局北京调查总队. 北京统计年鉴(2014~ 2021)[M]. 北京: 中国统计出版社: 2014-2021. |
| [50] | 中华人民共和国生态环境部. 关于发布《排放源统计调查产排污核算方法和系数手册》的公告[EB/OL]. http://www.mee.gov.cn/xxgk2018/xxgk/xxgk01/202106/t20210618_839512.html, 2021-06-11. |
| [51] | 北京市规划和国土资源管理委员会. 北京城市总体规划(2016年—2035年)[EB/OL]. http://www.beijing.gov.cn/gongkai/guihua/wngh/cqgh/201907/t20190701_100008.html, 2017-09-29. |
| [52] | Song C Z, Yin G W, Lu Z L, et al. Industrial ecological efficiency of cities in the Yellow River Basin in the background of China's economic transformation: spatial-temporal characteristics and influencing factors[J]. Environmental Science and Pollution Research, 2022, 29(3): 4334-4349. DOI:10.1007/s11356-021-15964-2 |