2024, Vol. 45
2. 甘肃省知识计算与决策智能重点实验室, 兰州 730000;
3. 中国科学院兰州分院, 兰州 730000;
4. 中国科学院西北高原生物研究所, 西宁 810008
, GAO Feng1
, QU Jian-sheng2 , ZHAO Pei-qing3 , YIN Chang-liang3 , ZHOU Hua-kun4 , WANG Bao1 , ZHANG Zhong-hua4
2. Key Laboratory of Knowledge Computing and Intelligent Decision, Gansu Province, Lanzhou 730000, China;
3. Lanzhou Branch Chinese Academy of Sciences, Lanzhou 730000, China;
4. Northwest Institute of Plateau Biology, Chinese Academy of Sciences, Xining 810008, China
气候变化是当前人类面临的最大风险之一[1].已有研究普遍认为人类活动产生的二氧化碳（CO2）等温室气体排放增加是引起全球变暖的主要原因[2 ~ 4].近年来, 国内外研究基于不同空间尺度（全球、国家、地区、省域）, 从CO2排放总量、人均排放和排放强度等多指标探讨了其分布特征及未来发展路径[5 ~ 9].从全球趋势看, 工业革命以来CO2排放量呈现快速增长趋势, 2022年全球CO2排放总量超过360亿t[10, 11].从国家/地区看, 各国/地区CO2排放相关指标均呈现出明显的国别/地区差异[12, 13].对比CO2排放总量, 中高收入国家的CO2排放贡献较多；对比人均CO2排放量, 主要发展中国家远低于发达国家；对比碳排放强度, 工业发达国家表现出先增后减的趋势, 新兴经济体表现出波动变化趋势[14, 15].目前, 美国、德国、英国和加拿大等主要发达国家的CO2排放量已经达到峰值[16].从中国不同省域看, 北京、天津和重庆基本实现碳达峰目标, 上海、广东、浙江和江苏等经济发达省域处于碳达峰平台期, 西部主要能源富集区尚未实现碳达峰[17].面向“双碳”（碳达峰、碳中和）愿景, 我国西部地区面临多重挑战.
通过对碳排放研究的梳理, 常用评估方法主要包括生命周期评价、投入产出分析、IPCC参考方法（又称表观消费量法）等[18]. IPCC参考方法因其计算简单、易懂且易操作, 广泛用于国家、地区和城市等宏观层面[18 ~ 20].碳排放预测方法主要包括回归模型、可计算一般均衡（computable general equilibrium, CGE）模型、系统动力学模型和情景分析等[21 ~ 24].结合IPAT理论及情景分析方法, 曲建升等[24]探讨了中国居民生活碳排放增长路径, 发现未来一段时间内消费需求引起的碳排放仍处于上升趋势.结合情景分析和CGE模型, Dai等[25]模拟了到2050年中国碳排放发展趋势.基于系统动力学模型, 学者对中国及典型地区碳排放进行预测, 指出了因地制宜的低碳措施是未来绿色发展的有效保障[26 ~ 28].有研究发现, 系统动力学模型可通过建立碳排放相关反馈, 优化各要素之间的作用关系, 在符合检验标准的情况下进行模拟, 可更真实地反映未来趋势, 在绿色发展路径研究中具有较大的研究潜力[29 ~ 31].
实现碳中和是各国政府应对气候风险与减缓生态危机的关键举措[14, 32 ~ 34].截至2022年11月, 国际上约有140个国家正在考虑或已经提出碳中和目标, 覆盖全球近90%的碳排放量[35].实现碳中和既是我国向世界作出的庄严承诺, 也是一场广泛而深刻的经济社会变革.对西北欠发达生态脆弱区来说, 如何实现绿色低碳转型更是一个重难点[36 ~ 38].甘青地区深居西北内陆, 青藏高原和黄土高原的交汇带, 是我国北方重要的生态安全屏障, 具有重要的生态战略地位[39]. 2021年, 甘肃人均GDP全国倒数第一, 青海GDP总量全国倒数第二, 是中国欠发达地区的典型代表[39 ~ 41].考虑到甘青地区特殊的地理区位, 以及人口特征、能源布局和经济发展等因素, 该地区碳排放特征及未来发展趋势尚不清晰.基于此, 分析甘青地区碳排放特征, 并通过构建系统动力学模型探讨“双碳”目标下的绿色发展路径, 对实现区域“双碳”目标具有重要的现实意义.
1 材料与方法 1.1 碳排放计算方法界定碳排放评估范围, 即研究区内人类活动过程中消耗煤、油、气等化石燃料直接产生的CO2排放.参考国内外温室气体排放评估方法, 甘青地区碳排放计算公式为[42 ~ 44]：
|
(1) |
式中, i表示第i省区（i=1为甘肃；i=2为青海）；j表示第j种能源（j=1, 2, …, 17）, 主要包括煤炭（原煤、洗精煤、其他洗煤、型煤、焦炭、焦炉煤气、其他煤气、其他焦化产品）、油品（原油、汽油、煤油、柴油、燃料油、液化石油气、炼厂干气、其他石油制品）、天然气（天然气、液化天然气）；CEi表示i省区碳排放量；CEij表示i省区j种能源消费的碳排放量；EFEij表示第i省区第j种能源碳排放因子；ADEij表示第i省区第j种能源消费量；NCVij表示第i省区第j种能源低位发热量；NCPij表示第i省区第j种能源单位热值含碳量；OFij表示第i省区第j种能源碳氧化率；44/12表示CO2与碳（C）的转化系数.火力发电和供热加工转换过程中直接消耗各种能源产生的碳排放纳入上述能源消费产生的碳排放, 热力和电力终端能源消费不再计算, 避免重复.
甘青地区碳排放总量和人均碳排放计算公式如下：
|
(2) |
|
(3) |
式中, CET表示甘青地区碳排放总量；CEP表示甘青地区人均碳排放量；CEPi表示i省区人均碳排放量；Pi表示第i省区人口总量.
1.2 系统动力学理论 1.2.1 建模目的结合甘青地区碳排放实际状况, 建模目标包括：①研究甘青地区人口-经济-技术-政策系统复杂关系, 从系统角度分析它们与碳排放之间的相互作用.②动态模拟甘青地区碳排放发展状况.根据碳排放历史数据的分析与处理, 明确各子系统不同变量的方程式, 模拟未来发展趋势, 掌握碳排放发展规律.③根据不同情景模式组合, 探讨不同情景下绿色低碳路径, 提出符合甘青地区高质量发展的政策建议.
1.2.2 系统结构系统边界是指涵盖绿色低碳发展系统动力学模型中各要素以及属性变化的时间与空间边界[21, 22].设定甘青地区（甘肃和青海行政区）为空间边界；设定时间边界为2001~2030年.通过对甘青地区2001~2021年碳排放相关变量进行实证模拟, 仿真预测2022~2030年发展趋势, 仿真步长为1 a.
系统动力学模型被广泛应用于人口、能源、低碳等多学科交叉领域.从系统角度分析各要素与碳排放之间的关系, 将绿色低碳发展系统划分为人口、经济、能源和政策子系统, 系统边界及构成如图 1所示.具体分为：①人口子系统, 主要包括总量（整体、农村和城镇）、城镇化率、人均GDP和人均碳排放等要素.人口系统通过人口结构、人口规模和人口质量等方面发生变化, 一方面会因能源消费和生产建设需求导致碳排放增加, 另一方面会通过提升劳动力能力和优化生产生活方式等抑制碳排放增加.合理的人口系统变化有利于低碳经济发展, 反之则会给低碳经济发展带来不利影响.②经济子系统, 主要包括GDP总量、人均GDP、第一、第二和第三产业增加值、碳排放强度等多要素构成.经济系统通过产业结构、经济规模和经济质量等方面发生变化, 一方面会因经济增长需求导致能源消耗及相关碳排放增加, 另一方面会通过资金支持、技术研发等缓解碳排放增加的压力.此外, 经济系统发生变化还会影响人口系统的变化, 进而对其他系统产生反馈关系. ③能源子系统, 主要包括煤炭、油品和天然气消费、碳排放、人均碳排放和碳排放强度等多要素构成.能源系统通过能源结构、能源消费和能源转型等方面发生变化, 一方面会因能源结构变化必然导致碳排放的变化, 进而间接影响低碳经济发展和人口发展.④政策子系统, 主要包括碳排放强度、减排举措、技术调控、减排目标等要素构成.政策系统通过上述政策调控因子影响人口系统、经济系统、能源系统.
|
图 1 绿色低碳发展系统边界及构成 Fig. 1 Boundary and composition of green and low carbon development system |
根据甘青地区绿色低碳发展系统构成, 建立系统存量流量（图 2）, 进而确定各因子之间的速率变量和状态方程.存量流量图中, time代表时间变量, 人口子系统以人口总量为状态变量, 将人口变化率作为速率变量, 以城镇人口、农村人口和人均GDP等为辅助变量.经济子系统以GDP总量为状态变量, 以GDP变化率为速率变量, 以人均GDP、第一产业、第二产业和第三产业增加值等为辅助变量.能源子系统以生活能耗、生产能耗、非化石能源、煤炭消费、石油消费和天然气消费、非化石能源占比、煤炭占比、石油占比和天然气占比等为辅助变量.政策子系统以碳排放强度、减排举措、技术调控和减排目标等为辅助变量.
|
图 2 绿色低碳发展系统存量流量 Fig. 2 System stock flow map of green and low carbon development |
甘青地区绿色低碳发展系统模型中总计涉及59个参数变量, 其中包括2个状态变量、2个流速变量及55个辅助变量.模型中参数变量类型包括常量、表函数、水平变量等.其中, 常量表示确定值, 表函数为不同变量之间的非线性关系, 水平变量为2001年采用的初始值.同时依据各变量历史数据的变化趋势, 如人口、GDP等构建相关的回归方程作为参考.应用Vensim PLEx64软件对构建模型进行检验及仿真模拟.由于篇幅限制, 此处仅列出GDP变化率、人口变化率等重要变量的部分函数公式加以说明.
|
(4) |
比如, 甘肃和青海人口变化量=人口总量×人口变化率/100；甘肃和青海GDP变化量= GDP总量×GDP变化率/100
式中, Level表示状态变量；Inflow表示输入速率；Outflow表示输出速率；DT表示从J到K时刻时间步长.
（2）表函数主要描述因变量与自变量直接的非线性关系[28, 29], 数学表达式如下所示：
|
(5) |
式中, Y表示因变量, x=（x1, x2, …, xn）表示自变量；y=（y1, y2, …, yn）为因子表.
例如, 基准情景下甘肃人口表函数为“{[（2001, -1）-（2030, 1）], 人口变化率, （2025, -0.4）, （2030, -0.36）}”；优化情景下甘肃人口表函数为“{[（2001, -1）-（2030, 1）], 人口变化率, （2025, -0.41）, （2030, -0.37）}”；强化情景下甘肃人口表函数为“{[（2001, -1）-（2030, 1）], 人口变化率, （2025, -0.42）, （2030, -0.38）}”；基准情景下青海GDP表函数为“{[（2001, -1）-（2030, 1）], GDP变化率, （2025, 6.5）, （2030, 6）}”；优化情景下青海GDP表函数为“{[（2001, -1）-（2030, 1）], GDP变化率, （2025, 6.2）, （2030, 4.2）}”；强化情景下青海GDP表函数为“{[（2001, -1）-（2030, 1）], GDP变化率, （2025, 6.0）, （2030, 3.5）}”.
1.2.4 模型检验根据系统动力学模型的建模目的与要求, 对甘青地区绿色低碳发展系统模型进行检验, 主要包括直观检验、结构检验、历史检验及灵敏度检验4个方面, 以验证所构建模型的有效性、稳定性、真实性、敏感性.结果发现, 构建的模型均通过上述4个检验.以历史检验为例, 根据检验结果, 甘肃和青海碳排放总量的误差在-1.14% ~ 4.14%之间, 说明构建的系统模型相对误差在10%之内, 仿真预测精度较好, 符合建模要求（表 1）.因此, 可以依据上述各子系统与碳排放之间的关系进行仿真模拟.
|
表 1 碳排放量的历史检验误差值/% Table 1 Historical test error of carbon emissions/% |
1.3 数据来源
碳排放测算及系统动力学模型构建过程中用到的数据主要包括各类别能源消费量、人口总量、农村人口、城镇人口、城镇化率和地区生产总值（GDP）等相关数据.以上数据主要来自2002~2022年《中国统计年鉴》[45]《中国人口和就业统计年鉴》[46]《中国能源统计年鉴》[47]《甘肃发展年鉴》[48]和《青海省统计年鉴》[49], 甘青地区国民经济和社会发展统计公报, 以及相关的政策规划文件等.与我国碳排放进行对比时, 其碳排放总量数据来源于全球碳项目（global carbon project, GCP）数据库[10], 2021年我国碳排放总量和人均碳排放量（以CO2计, 下同）分别为113.36亿t和8.03 t·人-1.
2 结果与分析 2.1 碳排放特征 2.1.1 碳排放量甘肃和青海碳排放总量及人均排放量均呈现波动上升趋势（图 3）.2021年, 甘肃碳排放总量约为1.77亿t, 约占全国的1.56%, 较2001年相比增加约2.11倍, 年均增长率为6.02%；其人均碳排放量由2001年的2.25 t·人-1增至2021年的7.09 t·人-1, 低于全国平均水平, 增加了2.15倍, 年均增长率为6.09%. 2021年, 青海碳排放总量约为0.52亿t, 约占全国的0.45%, 较2001年相比增加约2.35倍, 年均增长率为6.55%；其人均碳排放量由2001年的2.94 t·人-1增至2021年的8.67 t·人-1, 高于全国平均水平, 增加了1.95倍, 年均增长率为5.88%.2021年, 甘青地区碳排放总量约为2.28亿t, 约占全国的2.01%, 较2001年相比增加约2.16倍, 年均增长为6.07%；其人均碳排放量由2001年的2.37 t·人-1增至2021年的7.40 t·人-1, 低于全国平均水平, 增加了2.12倍, 年均增长率为6.00%.对比碳排放特征发现, 甘肃与甘青地区碳排放总量及人均排放量的变化趋势更相似.与全国碳排放进行对比时发现, 2021年, 甘青地区仅约占全国碳排放总量的2.20%, 却仅比人均排放水平低7.83%, 进而体现了我国西北地区在实现碳达峰面临更艰巨挑战.
|
图 3 2001~2021年碳排放量特征 Fig. 3 Characteristics of carbon emissions from 2001 to 2021 |
对比不同能源类型碳排放量及占比情况（图 4）, 结果发现：2021年, 甘青地区煤炭、油品和天然气产生的碳排放量分别为1.85亿t（80.95%）、0.27亿t（4.33%）和0.16亿t（1.37%）, 与2001年相比, 分别增长2.00、1.98和10.29倍.从碳排放总量变化情况看, 2001~2021年甘青地区各类型碳排放总量均呈现逐步上升趋势.其中, 煤炭碳排放呈现先快速上升后缓慢上升趋势, 油品和天然气碳排放均呈现缓慢上升趋势.从各类型碳排放占比来看, 研究期间, 煤炭是甘青地区最主要的贡献者, 占碳排放总量的比例均在80%左右（78.98%~86.16%）, 天然气的贡献最小, 所占比例均小于8%（2.01%~7.54%）.对比甘肃和青海各类型碳排放占比情况, 研究期间, 煤炭是甘肃和青海碳排放的主要来源, 所占比例分别均超过82%（82.23%~89.10%）和63%（63.68%~81.46%）.同时, 煤炭排放占比均呈现逐步下降趋势, 甘肃由2001年的86.41%下降至2021年的85.14%, 下降了1.47%, 年均下降率为0.06%；青海由2001年的81.46%下降至2021年的66.59%, 下降了18.26%, 年均下降率为0.94%.
|
（a）碳排放量, （b）甘青地区, （c）甘肃, （d）青海 图 4 2001~2021年碳排放结构 Fig. 4 Carbon emission structure from 2001 to 2021 |
对比不同部门碳排放量及占比情况（图 5）, 结果发现：2021年, 甘青地区第一产业、第二产业、第三产业和居民生活产生的碳排放量分别为0.02亿t（0.92%）、1.89亿t（82.68%）、0.23亿t（10.09%）和0.14亿t（6.30%）, 与2001年相比, 第一产业、第二产业、第三产业和居民生活产生的碳排放量分别增长了51.10%、2.61倍、1.91倍和36.23%.从碳排放总量变化情况看, 2001~2021年甘青地区不同部门碳排放总量整体呈现逐步上升趋势.其中, 第二产业碳排放呈现先快速波动上升后缓慢波动上升趋势, 第三产业和居民生活碳排放均呈现缓慢波动上升趋势, 第一产业碳排放呈现小幅缓慢上升后缓慢下降趋势.从各部门碳排放占比来看, 研究期间, 第二产业是甘青地区最主要的贡献者, 占碳排放总量的比例均超过70%（72.45%~82.68%）. 2001~2010年, 居民生活碳排放占比略高于第三产业, 在8.16%~14.64%之间；2011~2021年, 第三产业碳排放占比略高于居民生活, 在7.80%~11.62%之间.第一产业的贡献最小, 所占比例均小于2%（0.92%~1.94%）.对比甘肃和青海各部门碳排放占比情况, 研究期间, 第二产业是甘肃和青海碳排放的主要来源, 所占比例分别均超过72%（72.35%~85.58%）和68%（68.31%~79.51%）.同时, 第二产业碳排放占比均呈现波动上升趋势, 甘肃由2001年的72.36%增长至2021年的85.13%, 增长了17.64%, 年均增长率为0.84%；青海由2001年的72.76%增长至2021年的74.31%, 增长了2.14%, 年均增长率为0.17%.
|
（a）碳排放量, （b）甘青地区, （c）甘肃, （d）青海 图 5 2001~2021年碳排放部门贡献 Fig. 5 Contribution of carbon sector from 2001 to 2021 |
以甘青地区绿色低碳发展系统动力学模型各要素关系为依据, 参照“双碳”相关实施方案、“十四五”规划与2035年远景目标等政策文件中甘肃和青海以及全国人口、经济、清洁能源发展利用目标, 设置基准、优化和强化这3种情景模式的调控边界, 主要参数设置如表 2所示.比如, 参考《甘肃省人口发展规划（2016~2030年）》, 设置优化情景下甘肃2025年城镇化水平为58%, 2030年为62%.
|
|
表 2 碳排放模拟情景参数设置 Table 2 Parameter setting of carbon emission simulation scenario |
（1）基准情景 该情景主要指按照甘肃和青海近年来人口、GDP、非化石能源变化趋势以及需求现状, 以提高经济水平, 改善生活质量为主要驱动, 不提出针对性结构调整方案、碳减排强化举措, 仿真按照所有变量既有趋势发展.
（2）优化情景 该情景关注产业结构、能源结构和城乡结构, 逐步淘汰落后产能、鼓励发展生态产业、提升非化石能源消费比例.通过技术调控, 如设备低碳化改造和高效管理措施等提升能效, 从而逐步实现各种化石能源利用低碳化和绿色化.也关注了减排行动、降碳手段和践行绿色发展理念.以上述基准情景中各要素预测值和相关要素指标值设置调控边界.
（3）强化情景 该情景在优化情景基础上, 进一步对结构、规模、技术和意识等要素加强调控, 如制定针对性目标和差异化举措, 更加重视居民绿色消费理念等, 关注经济高质量和能源绿色低碳转型, 促进甘青地区经济高质量发展.以上述优化情景中各要素预测值和相关要素指标值设置调控边界.
（4）不同强化情景 主要包括结构强化、规模强化、技术强化和意识强化这4种.结构情景是指其他要素参考优化情景, 针对结构要素, 如能源结构按照强化情景设置；同理, 规模强化、技术强化、意识强化分别针对总量要素、技术要素和意识要素进行强化设置, 其他要素参考优化情景.
2.2.2 模拟结果根据上述情景设置, 最后选取基准、优化、结构强化、规模强化、技术强化、意识强化和强化这7种仿真结果进行分析.对于甘肃, 基准情景（既有发展方式, 不提出任何针对性调整方案）下, 到2030年碳排放仍处于上升趋势, 不利于实现碳达峰目标；与基准情景对比, 到2030年, 优化情景（即对所有要素进行优化调控时）可实现14%的减排目标；强化情景（即对现有发展趋势做强化调控情况下）可实现25%的减排目标.对比优化与强化情景下2030年二氧化碳排放量. 优化与强化情景相比, 到2030年其碳排放量相差0.27亿t, 这意味着强化情景比优化情景可减排12%左右（图 6）.
|
图 6 碳排放仿真结果 Fig. 6 Simulation results of carbon emissions |
对于青海, 基准情景下, 到2030年碳排放仍处于上升趋势, 不利于实现碳达峰目标；与基准情景对比, 到2030年, 优化情景可实现26%的减排目标；强化情景可实现38%的减排目标.优化与强化情景相比, 到2030年其碳排放量相差0.11亿t, 这意味着强化情景下比优化情景可减排16%左右.
2.2.3 不同强化情景比较（1）结构强化情景 到2030年, 结构强化情景下, 假设甘肃非化石能源消费占比、城镇化率和三产占比分别达到34.50%、64%和50%情况下, 其碳排放量与优化情景相比可降低5.39%（图 6）.同时发现, 到2030年, 假设青海非化石能源消费占比、城镇化率和三产占比分别达到55%、66%和50%情况下, 其碳排放量与优化情景相比可降低7.43%.这意味着, 如果甘青地区按照结构强化情景所设定的参数严格执行, 那么到2030年, 与优化情景相比, 甘青地区碳排放量可降低5.88%.由此可见, 努力提升非化石能源结构比重, 统筹城乡发展, 优化产业结构, 加强结构化调整, 尤其是降低传统能源占比, 其碳减排效果显而易见.
（2）规模强化情景 到2030年, 规模强化情景下, 假设甘肃人口和经济规模均按照设定目标严格执行情况下, 即人口和经济总量受到一定限制, 此时人口变化率为-0.38‰, 经济增长率为4.5%, 其碳排放量与优化情景相比可降低3.53%（图 6）.同时发现, 到2030年, 假设青海人口、经济等规模得到严格调控, 此时人口变化率为0.08‰, 经济增长率为3.5%, 其碳排放量与优化情景相比可降低5.67%.这意味着, 如果甘青地区按照规模强化情景所设定的参数严格执行, 那么到2030年, 与优化情景相比, 甘青地区碳排放量可降低4.05%.由此可见, 经济发展规模对节能降碳影响非常大, 同样地, 实现“双碳”目标, 不可避免地会影响到经济发展.
（3）技术强化情景 到2030年, 技术强化情景下, 假设甘肃第二产业和第三产业等相关领域的技术均得到有效调控, 有效降低相关产业、产品或设备的能耗强度, 按照设定目标严格执行情况下, 其碳排放量与优化情景相比可降低2.74%（图 6）.同时发现, 到2030年, 该情景下, 青海相关技术措施得到严格调控, 其碳排放量与优化情景相比可降低2.89%.这意味着, 如果甘青地区按照技术强化情景所设定的参数严格执行, 那么到2030年, 与优化情景相比, 甘青地区碳排放量可降低2.77%.由此可见, 经济发展规模对节能降碳影响非常大, 同样地, 实现“双碳”目标, 不可避免地会影响到经济发展.
（4）意识强化情景 到2030年, 意识强化情景下, 假设居民生活领域减排意识达到设定目标, 即实现生活领域下降13%的减排目标, 此时甘肃碳排放量与优化情景相比可降低0.74%, 青海碳排放量与优化情景相比可降低0.26%（图 6）.这意味着, 如果甘青地区按照意识强化情景所设定的参数严格执行, 那么到2030年, 与优化情景相比, 甘青地区碳排放量可降低0.63%.因此, 无论是生产者还是消费者, 都需要国家政策支持和自身绿色理念提升, 努力打造低碳生产、绿色经营、可持续消费的“三点一线”式减排模式.
（5）强化情景 根据甘肃和青海人口、经济和能源结构调整情景分析, 结果显示, 在其他要素不作调控情况下, 优化城乡结构、调整产业结构、加强非化石能源占比, 均有助于促进地区实现碳减排.因此, 强化情景, 即综合考虑上述结构、规模、技术和意识4种情景下, 如果严格按照设定的参数执行, 那么到2030年, 与基准情景相比, 甘肃和青海将分别具有25%和28%的减排潜力；与优化情景相比, 甘肃和青海将分别具有12%和16%的减排潜力（图 6）.
3 讨论 3.1 强化政策引领推动绿色低碳发展甘青地区碳排放总量在全国比例小, 人均排放量处于中等偏上水平, 其碳排放总量及人均排放量增长趋势明显.尽管地区经济水平逐步提升, 但长期处于全国落后位置, 发展压力巨大, 且GDP与碳排放之间呈现较强正相关性, 经济与碳排放增长仍处于弱脱钩或未脱钩状态[41].我国要在10年内实现碳达峰、40年内实现碳中和, 时间紧、任务重.对于甘青欠发达地区, 如何落实“双碳”任务, 实现绿色低碳转型挑战更大.根据国家要求, 把“双碳”目标纳入甘青地区生态文明建设整体布局, 融入经济、政治、文化、社会建设各方面和全过程.建议以《甘肃省碳达峰实施方案》《青海省碳达峰实施方案》为引领, 按照碳中和框架图、施工图、时间表, 稳步推进“双碳”工作.面对实现“双碳”目标的艰巨任务, 甘青地区既要坚定不移地发展经济, 提高人民生活水平, 又要将节能降耗, 绿色发展摆在突出位置.建议探索建立碳中和示范区, 融合财政、金融、科技、教育等各方资源, 开发碳汇项目, 挖掘减排潜力, 改善经济发展粗放增长的模式, 打造绿色高质量发展碳中和示范点.完善相关法律制度, 实施更加开放、灵活的帮扶支持政策, 自上而下推动各方资源深度整合, 集中发力.
3.2 加快产业转型升级助力高质量发展从能源类型来看, 2021年甘青地区碳排放主要来源于煤炭.按照不同产业产生的碳排放贡献来看, 工业、交通、住宿餐饮等第二、第三产业的碳排放贡献超过80%.从GDP贡献度来看, 2021年甘肃第二、第三产业占经济总量的比例超过86%, 青海超过89%.同时, 甘青地区工业中高能耗高排放的重化工业、能源行业比重较大, 且转型升级困难；交通、物流等第三产业又是甘青地区下一步经济发展重点方向之一.对甘青欠发达地区来说, 高质量发展与节能减排之间短期内存在较为突出的矛盾.建议抓住“双碳”机遇, 积极打造良好的营商环境, 提供优惠政策, 大力引进先进制造、高端服务、文化创意、绿色低碳等产业的龙头在甘青地区落地.深入推进地区风光水火核“五位一体”绿色能源体系建设, 加快发展新能源、优化能源结构, 持续推动火电、煤炭等高排放行业升级转型.同时, 大力发展“节能环保”、“清洁生产”、“生态旅游”等产业, 提高产业生态化、生态产业化水平, 打造经济发展的“绿色引擎”, 从根本上化解经济增长和减排降耗之间的矛盾.建议促进共建“一带一路”高质量发展、扩大国内外资源获取渠道、推动对接“黄河流域”, “长江流域”等区域重大战略, 紧握碳金融市场机遇.
3.3 推动生态保护与减污增汇协同发展“双碳”愿景下, 推动甘青地区生态保护与减污增汇协同发展至关重要.2021年, 甘肃国家级自然保护区面积671.7万hm2, 森林面积509.73万hm2；青海国家级自然保护区面积2 116.2万hm2, 森林面积419.75万hm2[45].甘青地区生态环境十分脆弱, 植树造林难度大、植株生长缓慢, 土地沙化、水土流失等问题较为突出[42], 短时间、大范围增植复绿, 提升生态碳汇较难.尽管近年来甘青地区生态环境保护工作取得重大进展, 自然环境得到改善, 但部分地区仍存在严重的生态破坏问题.加之地区本身生态环境脆弱, 粗放经营的欠账尚未完全弥补, 导致污染排放增加、碳汇能力减弱、协同发展不足.建议深入打好甘青地区“双碳”攻坚战, 加快实现经济社会绿色低碳高质量发展, 促进降碳、减污、扩绿和增长协同推进[36].一是绿地建设与减污增汇相结合.以八步沙林场为范例, 深刻理解生态文明理念, 加强甘肃绿地建设, 支持张掖城市森林公园发展, 锚定青海“四地”建设, 实现减污增汇共赢.二是光伏发电与治沙工作相结合.比如, 当前暖湿化背景下青海植被持续变绿, 生态工程增汇效果显著.进一步支持甘青地区发电治沙项目, 如优化河西地区风光开发与治沙布局, 合理开发利用生态资源, 强化法律制裁, 防止资源污染与破坏.三是经济林建设与脱贫攻坚相结合.发挥甘青地域优势, 支持核桃、花椒、油橄榄等特色经济林产业, 积极推进林业碳汇市场建设, 兼顾生态、经济、社会效益, 将长期经济林建设与巩固脱贫效果相结合.四是科技支撑与高质量发展相结合.科技创新是统筹我省经济发展与“双碳”工作的利剑, 建议加大甘青地区碳汇技术政策、人才及资金投入力度, 着力培育新业态、新模式, 把握“东数西算”机遇, 推进“双碳”技术创新与高质量发展.
4 结论（1）立足甘青地区发展实际, 甘青地区碳排放整体呈现上升趋势, 主要来源于煤炭和第二产业.通过对2001~2021年甘肃和青海碳排放总量及人均排放量进行分析, 结果发现, 从总量和人均上看, 均呈现波动上升趋势.对比不同能源类型碳排放量及占比情况, 煤炭是甘肃和青海碳排放的主要来源, 所占比例分别均超过82%和63%.对比不同部门碳排放量及占比情况, 第二产业是甘肃和青海碳排放的主要来源, 所占比例分别均超过72%和68%.
（2）构建甘青地区碳排放与人口、经济、能源和政策之间的系统动力学模型, 通过设置不同情景, 分析未来绿色低碳发展路径.根据仿真结果发现, 基准情景（既有发展方式）下, 如果不提出任何针对性调整方案, 到2030年甘青地区碳排放均处于上升趋势, 不利于实现碳达峰目标.与基准情景相比, 优化情景与强化情景下, 甘肃碳排放量可分别降低14%和25%, 青海碳排放量可分别降低26%和38%.与优化情景相比, 结构、规模、技术和意识强化4种情景下, 到2030年, 甘肃可同期减排5.39%、3.53%、2.74%和0.74%, 青海可同期减排7.43%、5.67%、2.89%和0.26%.
（3）通过对碳排放特征进行描述并进行仿真实验, 能较准确地刻画甘青地区碳排放现状并了解未来绿色低碳发展路径与规律, 有助于制定科学合理的差异化减排方案.根据甘青地区资源禀赋, 遵守“因地制宜、协调发展”原则, 强化政策引领推动绿色低碳发展、加快产业转型升级助力高质量发展、推动生态保护与减污增汇协同发展等政策措施有助于推进地区实现“双碳”愿景.
（4）研究过程中不可避免地存在一定局限. 比如, 情景假设相关参数主要参考相关政策文件中未来指标, 其发展与假设可能会存在一定误差.同时, 也会因为测算过程采用的排放因子、能源平衡表是实物量数据还是标量等客观原因存在一定不确定性.未来研究中将会根据实际发展状况进一步跟踪完善.
| [1] | WEF (World Economic Forum). Global risks report 2020[EB/OL]. WEF, 2020. https://www3.weforum.org/docs/WEF_Global_Risk_Report_2020.pdf, 2023-08-01. |
| [2] | IPCC. Climate Change 2007: The physical science basis. Working group Ⅰ to the fourth assessment report of the intergovernmental panel on climate change[M]. Cambridge: Cambridge University Press, 2007. |
| [3] | IPCC. Climate Change 2013: The physical science basis. Working group Ⅰ to the fifth assessment report of the intergovernmental panel on climate change[M]. Cambridge: Cambridge University Press, 2013. |
| [4] | IPCC. Climate Change 2021: The physical science basis. Working group Ⅰ to the sixth assessment report of the intergovernmental panel on climate change[M]. Cambridge: Cambridge University Press, 2021. |
| [5] |
刘莉娜, 曲建升, 曾静静, 等. 基于文献计量的居民食物消费碳排放研究进展及发展态势[J]. 生态学报, 2023, 43(17): 7331-7340. Liu L N, Qu J S, Zeng J J, et al. Research progress of household food consumption carbon emissions[J]. Acta Ecologica Sinica, 2023, 43(17): 7331-7340. |
| [6] | Le Quéré C, Andrew R M, Canadell J G, et al. Global carbon budget 2016[J]. Earth System Science Data, 2016, 8(2): 605-649. DOI:10.5194/essd-8-605-2016 |
| [7] | Liu Z, Guan D B, Wei W, et al. Reduced carbon emission estimates from fossil fuel combustion and cement production in China[J]. Nature, 2015, 524(7565): 335-338. DOI:10.1038/nature14677 |
| [8] |
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. |
| [9] |
蒋晶晶, 叶斌, 计军平, 等. 中国碳强度下降和碳排放增长的行业贡献分解研究[J]. 环境科学, 2014, 35(11): 4378-4386. Jiang J J, Ye B, Ji J P, et al. Research on contribution decomposition by industry to China's carbon intensity reduction and carbon emission growth[J]. Environmental Science, 2014, 35(11): 4378-4386. |
| [10] | GCP(Global Carbon Project). Global Carbon Budget 2022[EB/OL]. GCP, 2022. https://www.globalcarbonproject.org/carbonbudget/22/highlights.htm, 2023-08-01. |
| [11] | IEA(International Energy Agency). CO2 Emissions in 2022[EB/OL] IEA, 2023. https://www.iea.org/reports/co2-emissions-in-2022, 2023-08-01. |
| [12] |
韩梦瑶, 刘卫东, 唐志鹏, 等. 世界主要国家碳排放影响因素分析——基于变系数面板模型[J]. 资源科学, 2017, 39(12): 2420-2429. Han M Y, Liu W D, Tang Z P, et al. Carbon emission impact factor analysis of major countries based on varying coefficient panel modeling[J]. Resources Science, 2017, 39(12): 2420-2429. |
| [13] |
刘莉娜. 中国居民生活碳排放影响因素分析与峰值预测[D]. 兰州: 兰州大学, 2017. Liu L N. The determinants and peak prediction of household CO2 emissions in China[D]. Lanzhou: Lanzhou University, 2017. |
| [14] | 丁仲礼, 张涛, 等. 碳中和: 逻辑体系与技术需求[M]. 北京: 科学出版社, 2022. |
| [15] |
张志强, 曾静静, 曲建升. 世界主要国家碳排放强度历史变化趋势及相关关系研究[J]. 地球科学进展, 2011, 26(8): 859-869. Zhang Z Q, Zeng J J, Qu J S. An analysis of the trends of carbon emission intensity and its relationship with economic development for major countries[J]. Advances in Earth Science, 2011, 26(8): 859-869. |
| [16] |
张哲, 张煜星. 世界主要碳排放国家碳达峰和碳汇能力研究[J]. 林业资源管理, 2023(2): 1-9. Zhang Z, Zhang Y X. Research on carbon peak and carbon sink capacity of major carbon emitting countries in the world[J]. Forest Resources Management, 2023(2): 1-9. |
| [17] |
王思博, 庄贵阳, 窦晓铭. 中国省域碳达峰梯次划分与差异化排放路径——基于碳排放与经济发展双重视角的考察[J]. 武汉大学学报(哲学社会科学版), 2023, 76(3): 136-150. Wang S B, Zhuang G Y, Dou X M. Tiered division of peak carbon emissions and differentiated emission paths among provinces in China based on the dual perspectives of carbon emissions and economic development[J]. Wuhan University Journal (Philosophy & Social Science), 2023, 76(3): 136-150. |
| [18] | Liu L N, Qu J S, Maraseni T N, et al. Household CO2 emissions: current status and future perspectives[J]. International Journal of Environmental Research and Public Health, 2020, 17(19). DOI:10.3390/ijerph17197077 |
| [19] |
刘莉娜, 曲建升, 黄雨生, 等. 中国居民生活碳排放的区域差异及影响因素分析[J]. 自然资源学报, 2016, 31(8): 1364-1377. Liu L N, Qu J S, Huang Y S, et al. Analyze on the spatial-temporal pattern and influence factors of China's per capita household carbon emissions[J]. Journal of Natural Resources, 2016, 31(8): 1364-1377. |
| [20] |
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 spatio-temporal dynamics of energy consumption carbon emissions in China[J]. Environmental Science, 2022, 43(11): 5305-5314. |
| [21] | Kim H, Kim Y, Ko Y, et al. Performance comparison of predictive methodologies for carbon emission credit price in the Korea emission trading system[J]. Sustainability, 2022, 14(13). DOI:10.3390/su14138177 |
| [22] | Qi S Z, Cheng S H, Tan X J, et al. Predicting China's carbon price based on a multi-scale integrated model[J]. Applied Energy, 2022, 324. DOI:10.1016/j.apenergy.2022.119784 |
| [23] |
葛钰洁, 曲建升, 高欣悦, 等. 基于系统动力学的中国居民生活碳排放模拟[J]. 科技管理研究, 2022, 42(21): 239-246. Ge Y J, Qu J S, Gao X Y, et al. Simulation of Chinese household carbon emission based on system dynamics[J]. Science and Technology Management Research, 2022, 42(21): 239-246. |
| [24] |
曲建升, 刘莉娜, 曾静静, 等. 中国居民生活碳排放增长路径研究[J]. 资源科学, 2017, 39(12): 2389-2398. Qu J S, Liu L N, Zeng J J, et al. A study on growth path for China's household CO2 emissions[J]. Resources Science, 2017, 39(12): 2389-2398. |
| [25] | Dai H C, Masui T, Matsuoka Y, et al. The impacts of China's household consumption expenditure patterns on energy demand and carbon emissions towards 2050[J]. Energy Policy, 2012, 50: 736-750. |
| [26] |
侍剑峰. 基于系统动力学的中国碳排放峰值预测及应对策略研究[D]. 北京: 华北电力大学, 2018. Shi J F. Study on peak prediction of carbon emissions and countermeasure in China based on system dynamics[D]. Beijing: North China Electric Power University, 2018. |
| [27] |
韩楠, 罗新宇. 多情景视角下京津冀碳排放达峰预测与减排潜力[J]. 自然资源学报, 2022, 37(5): 1277-1288. Han N, Luo X Y. Carbon emission peak prediction and reduction potential in Beijing-Tianjin-Hebei region from the perspective of multiple scenarios[J]. Journal of Natural Resources, 2022, 37(5): 1277-1288. |
| [28] |
王国奎. 区域低碳发展动力学机制与情景决策研究——以甘肃省为例[D]. 兰州: 兰州大学, 2016. Wang G K. A study on the dynamical mechanism and scenario decision-making of regional low-carbon development—A case study of Gansu province[D]. Lanzhou: Lanzhou University, 2016. |
| [29] |
吴萌. 武汉市土地利用碳排放分析与系统动力学仿真[D]. 武汉: 华中农业大学, 2017. Wu M. Analytical and system dynamics simulation of land use carbon emissions in Wuhan City[D]. Wuhan: Huazhong Agricultural University, 2017. |
| [30] | Huo T F, Xu L B, Feng W, et al. Dynamic scenario simulations of carbon emission peak in China's city-scale urban residential building sector through 2050[J]. Energy Policy, 2021, 159. DOI:10.1016/j.enpol.2021.112612 |
| [31] | Xin L, Li S N, Rene E R, et al. Prediction of carbon emissions peak and carbon neutrality based on life cycle CO2 emissions in megacity building sector: Dynamic scenario simulations of Beijing[J]. Environmental Research, 2023, 238. DOI:10.1016/j.envres.2023.117160 |
| [32] |
龚剑明, 余和军, 段晓男, 等. 发挥学部智库咨询作用, 服务国家"双碳"战略需求——中国科学院学部"碳中和"重大咨询项目案例[J]. 中国科学院院刊, 2023, 38(7): 1050-1059. Gong J M, Yu H J, Duan X N, et al. Exerting the think tank role of Academic Divisions and serving the needs of national dual carbon strategy—Major consultancy project of carbon neutrality by CAS Academic Divisions[J]. Bulletin of Chinese Academy of Sciences, 2023, 38(7): 1050-1059. |
| [33] |
巢清尘. 世界格局变化下的中国碳中和之路[J]. 环境经济研究, 2022, 7(2): 1-10. Chao Q C. China's pathway to carbon neutrality under the changing world[J]. Journal of Environmental Economics, 2022, 7(2): 1-10. |
| [34] | Majava A, Vadén T, Toivanen T, et al. Sectoral low-carbon roadmaps and the role of forest biomass in Finland's carbon neutrality 2035 target[J]. Energy Strategy Reviews, 2022, 41: 100836. |
| [35] | CAT (Climate Action Tracker). CAT net zero target evaluations[EB/OL]. CAT, 2023. https://climateactiontracker.org/global/catnet-zero-target-evaluations/, 2023-08-01. |
| [36] |
赵守国, 徐仪嘉. 我国西北地区碳达峰碳中和实现路径研究[J]. 西北大学学报(哲学社会科学版), 2022, 52(4): 87-97. Zhao S G, Xu Y J. A research on the pathway of achieving peak carbon neutrality in Northwest China[J]. Journal of Northwest University (Philosophy and Social Sciences Edition), 2022, 52(4): 87-97. |
| [37] |
滕王滕菲, 冯套柱, 郭道燕. 西北地区碳排放的驱动因素与脱钩效应研究[J]. 北京师范大学学报(自然科学版), 2023, 59(2): 260-268. Teng W T F, Ma T Z, Guo D Y. Drivers and decoupling effects of carbon emissions in Northwest China[J]. Journal of Beijing Normal University (Natural Science), 2023, 59(2): 260-268. |
| [38] | Chen N, Xin C L, Zhang B, et al. Contribution of multi-objective land use optimization to carbon neutrality: A case study of Northwest China[J]. Ecological Indicators, 2023, 157. DOI:10.1016/j.ecolind.2023.111219 |
| [39] |
董莹, 华中, 陆志翔, 等. 面向低碳转型的甘肃省地区聚类分析[J]. 中国沙漠, 2020, 40(5): 25-31. Dong Y, Hua Z, Lu Z X, et al. Cluster analysis of prefecture-level cities in Gansu Province for low carbon transformation[J]. Journal of Desert Research, 2020, 40(5): 25-31. |
| [40] |
李现总. 甘肃工业经济增长与能源消耗、碳排放脱钩分析[J]. 甘肃科技纵横, 2019, 48(8): 61-68. Li X Z. Decoupling of Gansu's industrial economic growth, energy consumption and carbon emissions[J]. Scientific & Technical Information of Gansu, 2019, 48(8): 61-68. |
| [41] |
王文行, 张梦茜, 董向东, 等. 甘肃生态风险的分布和发生规律及有效应对问题研究[J]. 甘肃科技纵横, 2021, 50(11): 59-61. Wang W X, Zhang M Q, Dong X D, et al. Research on the distribution and occurrence rules of Gansu ecological risks and effective responses[J]. Scientific & Technical Information of Gansu, 2021, 50(11): 59-61. |
| [42] | IPCC. 2006 IPCC guidelines for national greenhouse gas inventories[M]. Japan: IGES, 2006. |
| [43] | 国家发展和改革委员会应对气候变化司. 中国温室气体清单研究2005[M]. 北京: 中国环境出版社, 2014. |
| [44] | 国家发展改革委应对气候变化司. 省级温室气体清单编制指南(试行)[EB/OL]. 2011. http://www.gxdtrc.cn/h-nd-217.html, 2023-08-01. |
| [45] | 国家统计局. 中国统计年鉴(2022)[M]. 北京: 中国统计出版社有限公司, 2022. |
| [46] | 国家统计局人口和就业统计司. 中国人口和就业统计年鉴(2022)[M]. 北京: 中国统计出版社有限公司, 2022. |
| [47] | 国家统计局能源统计司. 中国能源统计年鉴(2022)[M]. 北京: 中国统计出版社有限公司, 2023. |
| [48] | 甘肃省统计局, 国家统计局甘肃调查总队. 甘肃发展年鉴(2022)[M]. 北京: 中国统计出版社有限公司, 2022. |
| [49] | 青海省统计局, 国家统计局青海调查总队. 青海统计年鉴(2022)[M]. 北京: 中国统计出版社有限公司, 2022. |