环境科学  2024, Vol. 45 Issue (12): 6783-6795   PDF    
引用本文
霍腾飞, 张锦帆, 乔友凤, 曹瑞姣. 城镇化视角下建筑碳排放达峰动态情景模拟[J]. 环境科学, 2024, 45(12): 6783-6795.
HUO Teng-fei, ZHANG Jin-fan, QIAO You-feng, CAO Rui-jiao. Dynamic Scenario Simulation of Building Carbon Peak from the Perspective of Urbanization[J]. Environmental Science, 2024, 45(12): 6783-6795.
城镇化视角下建筑碳排放达峰动态情景模拟
霍腾飞1,2, 张锦帆1, 乔友凤1, 曹瑞姣1     
1. 河北工业大学经济管理学院, 天津 300401;
2. 河北工业大学京津冀发展研究中心, 天津 300401
收稿日期: 2023-12-13; 修订日期: 2024-02-24
基金项目: 国家自然科学基金项目（71902053）；教育部人文社会科学研究规划基金项目（23YJAZH053）；河北省自然科学基金项目（G2021202003）
作者简介: 霍腾飞（1984~）, 男, 博士, 副教授, 主要研究方向为可持续建设与管理、系统建模与仿真, E-mail：htf2010@sina.cn
通信作者: 乔友凤, E-mail：qyfyoufeng@163.com
摘要: 随着中国城镇化进程的快速发展, 建筑部门的能源消耗和碳排放量将持续增长, 探究区域建筑碳排放未来的动态演变趋势对于中国实现“双碳”目标至关重要. 基于城镇化视角构建“城镇化-建筑碳排放”系统动力学模型, 揭示城镇化相关因素对建筑碳排放的作用机制. 在此基础上, 借助多情景分析对京津冀地区2000~2050年建筑碳排放演变趋势和达峰情况进行动态模拟. 结果表明：①在基准情景下农村居住建筑、城镇居住建筑和公共建筑碳排放分别于2027年、2028年和2037年达到峰值（以CO2计, 下同）0.60亿、0.99亿和1.95亿t. ②低碳情景下, 城镇居住建筑碳排放达峰时间最早, 在2024年达到峰值0.88亿t. ③深度低碳情景下, 总体建筑碳排放达峰时间比低碳情景提前5 a, 将在2028年达到峰值2.61亿t. ④敏感性分析显示公共建筑碳排放因子和空间维度的人均公共建筑面积是影响建筑碳排放的主要因素, 人口维度的城镇人口占比次之. 最后为京津冀地区政府进行节能减排规划提出建议.
关键词: 城镇化      建筑部门碳排放      碳达峰      系统动力学      情景模拟     
Dynamic Scenario Simulation of Building Carbon Peak from the Perspective of Urbanization
HUO Teng-fei1,2 , ZHANG Jin-fan1 , QIAO You-feng1 , CAO Rui-jiao1     
1. School of Economics and Management, Hebei University of Technology, Tianjin 300401, China;
2. Beijing-Tianjin-Hebei Development and Research Center, Hebei University of Technology, Tianjin 300401, China
Abstract: With the rapid development of urbanization in China, the energy consumption and carbon emissions in the building sector will continue to grow. Therefore, the future dynamic evolution of building carbon emissions must be crucially investigated to achieve the "dual carbon" target in China. A system dynamics model of "urbanization-building carbon emissions" was constructed from the perspective of urbanization for revealing the mechanism of urbanization-related factors on building carbon emissions. On this basis, a dynamic simulation of the evolution trend and peak situation of building carbon emissions in the Beijing-Tianjin-Hebei (BTH) Region from 2000 to 2050 was carried out using multi-scenario analysis. The results showed that: ① Under the baseline scenario, the carbon emissions of rural residential buildings, urban residential buildings, and commercial buildings peak in 2027, 2028, and 2037, respectively, with peaks (in CO2) of 0.60×108, 0.99×108, and 1.95×108 tons. ② Under the low-carbon scenario, the peak (in CO2, the same below) time of carbon emissions of urban residential buildings was the most advanced, reaching the peak of 0.88×108 tons in 2024. ③ In the deep low-carbon scenario, the peak time of carbon emissions of the overall buildings occurred five years earlier than that in the low-carbon scenario. It was predicted to peak at 2.61×108 tons in 2028, reaching the 2030 carbon peak target. ④ The sensitivity analysis showed that the carbon emission factor of commercial buildings and the per capita commercial building space floor in the spatial dimension were the major factors influencing the building carbon emissions, followed by the percentage of the urban population in the population dimension. Finally, suggestions are made for the government of the Beijing-Tianjin-Hebei Region to carry out energy conservation and emission reduction planning.
Key words: urbanization      building carbon emissions      peaking carbon dioxide emission      system dynamics      scenario simulation     

习近平主席在第75届联合国大会中提出碳达峰碳中和的“双碳”目标. 而建筑业产生的高能耗和高碳排放严重制约了我国“双碳”目标的实现, 根据《中国建筑能耗研究报告（2022）》, 中国建筑部门碳排放（指宏观层面建筑运行阶段能耗产生的碳排放, 建筑碳排放）在全国碳排放中的比重超20%. 目前, 中国正处于城镇化高速发展和经济转型的关键时期, 而城镇化发展使得城镇人口、土地使用和经济活动高度集中, 从而导致建筑能耗和建筑碳排放增加, 因此推动城镇化高质量发展并建立低碳经济体系是实现可持续发展的前提. 中国地域辽阔, 不同区域的资源禀赋、城镇化发展水平和经济发展水平存在巨大差异[1], 京津冀地区作为中国的“首都经济圈”, 是典型的城镇化高速发展区域和高能耗高排放区域, 2020年京津冀地区城镇化率为67.65%, 高于全国平均水平3.8个百分点. 从2000~2020年, 京津冀地区的建筑碳排放量（以CO2计, 下同）从1.16亿t增长到2.23亿t, 年均增长率为3.54%. 未来随着城镇化的持续推进, 京津冀地区的建筑用能需求和碳排放仍将不断增长.

目前, 对于城镇化与碳排放之间的相关性, 学界主要形成了3种取向：一是城镇化会促进碳排放的增加[2], 二是城镇化会导致碳排放减少[3], 三是城镇化和碳排放之间存在非线性或其他关系[4, 5]. 在研究城镇化和碳排放关系时, 学者通常采用单个指标来测度城镇化水平, 如城镇人口占比、非农业人口占比和城市用地等, 例如Zhang等[6]利用中国25个省份的面板数据, 得到城镇经济发展与CO2排放之间关系呈倒U型, 并证实城镇化对建筑业CO2排放的影响有明显地域差异. 也有学者采用多个指标法来表示城镇化水平, 如王锋等[7]以土地城镇化水平、城镇人口占比和人均可支配收入等来表征城镇化水平, 分析各驱动因素对碳排放强度的影响, 发现城镇人口规模对中国碳排放影响显著.

对于建筑碳排放驱动因素的研究, 学者们多运用IPAT及其拓展模型[1, 8], LMDI模型[9, 10]和因素分解模型[11, 12]等进行分析. Zhu等[13]基于STIRPAT模型对中国建筑业二氧化碳排放的影响因素进行深入研究, 发现建筑面积和能耗强度是建筑碳排放增长的主导因素. Huo等[14]采用脱钩分析与LMDI相结合的方法分析中国30个省份城镇居住建筑碳排放的影响因素, 发现人均GDP和能耗强度是主要驱动因素, 且人均GDP对收入水平和碳排放强度的脱钩具有抑制作用. Wang等[15]借助非径向定向距离函数分析中国公共建筑部门能源消耗的驱动因素, 发现技术进步驱动作用最明显.

关于建筑碳达峰预测方面的研究, 学者们大多采用自上而下模型[16, 17]或自下而上模型[18 ~ 20]与情景分析相结合的方式进行预测. 其中, 自上而下模型可从宏观角度探讨社会经济因素对碳排放的影响. 代表模型包括Kaya恒等式、STIRPAT模型和环境库兹涅茨模型等. 如Wang等[21]基于Kaya特性、LMDI模型和情景分析方法, 建立了一个综合模型, 预测并比较了不同情景下2030年中国的二氧化碳排放趋势, 结果显示在基准情景下无法实现2030年达峰, 但是通过能源技术进步和能源结构优化可以促进节能减排. 自下而上模型则是将能源消耗按最终用途分解, 进而自下而上汇总得到总能耗, 再结合情景分析进行碳排放预测. 如Zhou等[22]基于LEAP模型对中国建筑部门能耗和碳排放的发展情况进行预测, 结果表明在基准情景下, 碳排放达峰的时间大概在2040年. Chen等[23]采用自下而上的GCAM-TU模型分析中国2010~2100年建筑能耗和碳排放的长期变化, 结果显示碳排放在2030年左右达峰. 还有学者将自下而上法与自上而下法相结合[24]等其他模型, 对碳排放发展趋势进行预测.

纵观国内外已有研究, 尽管学者试图以城镇化为背景研究碳排放的影响因素, 对于研究建筑碳排放的未来演变轨迹的研究方法也多种多样, 但仍存在一些不足. 首先, 对于探讨城镇化与碳排放之间关系的研究, 大多采用单一指标或部分指标测度城镇化的方法研究其对碳排放的影响, 忽略了城镇化是一个复杂的过程, 不能全面准确地反映城镇化水平；其次, 现有对于建筑碳排放驱动因素的研究, 大多是孤立地考察建筑碳排放的影响因素, 未能反映不同因素间的相互作用和反馈关系, 忽视了“城镇化-建筑碳排放”是一个整体的系统这一重要特点；第三, 在建筑碳达峰预测的研究中, 大多采用静态预测方式对影响因素的未来变化进行取值, 不能动态模拟碳排放的未来演变轨迹, 难以反映影响因素变化的真实特征.

鉴于此, 本文首先从城镇化视角出发, 从人口、经济和空间这3个维度系统性地探究多维城镇化对建筑碳排放达峰的影响效应, 拓展了建筑碳排放达峰的研究视角. 其次, 构建“城镇化-建筑碳排放”系统动力学模型, 揭示了城镇化相关因素对建筑碳排放的动态作用机制, 深化了建筑碳排放达峰的相关理论和研究方法. 最后, 结合情景分析法, 对京津冀地区建筑碳排放的未来演变轨迹进行了多情景动态模拟, 弥补了传统方法对变量的未来取值采用静态方式进行固定取值假设的局限. 可以为其他部门和行业的碳达峰研究提供很好的借鉴, 同时能够为政府部门制定针对性的碳达峰行动方案提供有益的决策支撑.

1 材料与方法 1.1 建筑碳排放数据测算

城镇和农村的建筑用能结构、用能类型及用能行为方面存在较大差异. 本文将京津冀地区的建筑划分成公共建筑、城镇居住建筑和农村居住建筑这3类, 采用前期开发的基于能源平衡表拆分模型[8]的测算方法对建筑碳排放进行核算. 建筑碳排放是建筑运行过程中直接能耗（如煤、油和天然气）和间接能耗（电力和热力）产生的CO2之和, 其计算方法如公式（1）所示.

(1)

式中, BCE为建筑碳排放量, BEi为建筑运行过程中第i类能源的消费量, EFi为第i类能源的碳排放因子.

化石能源的排放因子参照联合国政府间气候变化专门委员会（IPCC）提供的方法进行估算, 电力和热力二次能源的排放因子[9]计算方法如公式（2）和公式（3）所示.

(2)
(3)

式中, CEFe为电力碳排放因子, CETPG为火力发电碳排放量, TPG为火力发电量, REG为可再生能源发电量；CEFh为热力碳排放因子, CEhi为第i类供热能源的碳排放量, THP为热力生产总量.

1.2 “城镇化-建筑碳排放”系统动力学模型构建

系统动力学（system dynamics, SD）涉及统计学和动力学等多种学科, 可以用于分析系统的结构和因果关系, 并模拟系统的动态变化.通过建立结构模型, 在不同的假设条件下进行仿真运算, 可以预测各种情况下系统的动态变化. 建筑碳排放是一个涉及多因素相互作用的复杂系统, 由此, 本文借鉴系统科学的思想, 构建“城镇化-建筑碳排放”系统动力学模型, 研究建筑碳排放影响因素之间的动态反馈机制. 建模过程概括为以下几步：第一, 基于城镇化视角, 系统识别京津冀地区建筑碳排放的影响因素. 第二, 借助Vensim软件构建系统的因果回路图. 第三, 对因果回路图中的变量进行细化, 确定影响因素间的函数关系, 并构建存量流量图. 第四, 采用实际数据在Vensim中进行仿真模拟, 拟合模型参数并检验模型的稳定性和有效性.

1.2.1 系统结构

“城镇化-建筑碳排放”是一个包含人口城镇化、经济城镇化和空间城镇化等多维城镇化相关因素相互影响作用的复杂系统. 本文将“城镇化-建筑碳排放”这一系统划分为人口、经济、建筑面积和能耗及碳排放这4个子系统, 其包含的变量和各子系统之间的关系如下.

（1）人口子系统  从人口规模和人口结构两方面考虑, 包含总人口、城镇人口、农村人口、第三产业就业人口和城镇人口占比这5个要素. Pan等[25]采用非参数加性回归模型分析中国公共建筑碳排放驱动因素, 发现人口增长会增加能源消耗, 从而增加建筑碳排放量.

（2）经济子系统  从经济规模和经济结构两方面选取GDP、人均GDP、第三产业占比和第三产业劳均GDP即第三产业增加值与就业人口的比值作为指标. 消费水平和城镇化水平是影响经济的重要因素. 随着城镇化进程加快, “十二五”至“十三五”时期, 建筑业通过调整产业结构, 成为唯一持续促进碳排放强度增长的行业[23]. 王开等[26]基于1996~2014年京津冀地区的相关数据, 构建LMDI-Attribution模型, 研究京津冀地区碳排放强度的变化问题, 结果表明产业结构变化对碳排放强度增加具有促进作用.

（3）建筑面积子系统  包括不同类型建筑的存量面积和人均建筑面积等指标. 随着城镇化进程的推进, 居民生活水平提高, 对于居住品质的要求逐步提高, 公共建筑面积、城镇居住建筑面积和农村居住建筑面积也随之增加. Li等[27]利用LMDI模型分析省域建筑部门碳排放的驱动因素, 发现建筑面积增加会使得建筑碳排放量呈现上升趋势.

（4）能源及碳排放子系统  将影响因素划分为3类建筑的总能耗、3类建筑的碳排放、建筑碳排放强度和3类建筑碳排放因子. 众多研究均指出能耗强度是影响碳排放强度的主导因素, 能源结构优化对建筑部门碳排放强度有持续抑制作用[28 ~ 32].

综上所述, 4个子系统包含的变量和各子系统之间的逻辑框架如图 1.

图 1 “城镇化-建筑碳排放”系统动力学模型框架 Fig. 1 Framework for modeling the dynamics of the "urbanization-building carbon emissions" system

1.2.2 因果回路图

基于子系统间的作用关系并参考相关研究[28 ~ 32], 构建图 2“城镇化-建筑碳排放”系统因果回路图, 用来描述系统内各要素的相互作用和反馈关系, 其主要回路如表 1所示. 其中, 回路1、2和3分别反映了GDP对3类建筑碳排放变化产生的影响. 当前京津冀地区经济发展水平稳步提升, GDP增长使得居民对居住环境需求提高, 建筑能耗随之增加, 从而导致了建筑碳排放的增加. 回路4反映了由第三产业增加值引起的建筑碳排放动态变化, 随着经济发展水平提高, GDP增长推动京津冀地区产业结构转型, 第三产业占比逐渐增大, 加大了公共建筑规模需求和公共建筑本身的运行强度, 从而使得建筑碳排放增加. 回路5显示建筑碳排放强度的增加引起环境的恶化, 使得减排成本增加进而对经济发展产生反作用[33], 在经济发展的同时促进技术进步, 使得能源效率提高, 进而减少建筑碳排放.

“+”表示箭尾变量对箭头指向变量具有促进作用, “-”表示箭尾变量对箭头指向的变量具有抑制平衡作用 图 2 “城镇化-建筑碳排放”因果回路 Fig. 2 Causal loop of "urbanization-building carbon emissions"

表 1 因果回路图中的反馈回路 Table 1 Feedback loop in the causal loop diagram

1.2.3 存量流量

为更加清晰地反映“城镇化-建筑碳排放”系统的运行过程以及因素间的反馈机制, 构建“城镇化-建筑碳排放”存量流量（图 3）, 其包含5个状态变量、5个速率变量以及其他辅助变量. 状态变量是描述动态系统内因素时间范围内累计效应的变量, 如总人口、GDP、人均公共建筑面积、人均城镇居住建筑面积和人均农村居住建筑面积. 速率变量是表示状态变量变化速率或幅度大小的变量, 如人均公共建筑面积增量、人均城镇居住建筑面积增量和人均农村居住建筑面积增量等；辅助变量是描述状态变量和速率变量之间信息传递和转换过程的中间变量.

图 3 “城镇化-建筑碳排放”存量流量 Fig. 3 Stock flow "urbanization-building carbon emissions"

1.2.4 模型变量描述

本文采用MATLAB软件拟合函数和表函数法来确定变量间的方程关系. 3类建筑的能耗强度借助MATLAB软件采用多项式回归拟合. 对于变量类型, 内生变量是系统主要研究的变量, 主要包括总人口、GDP、人均公共建筑面积、人均城镇居住建筑面积和人均农村居住建筑面积等；外生变量非系统主要研究变量, 通常作为系统中主要变量的影响因素, 主要包括人口增长率、城镇人口占比、农村人口占比、GDP增长速率、第三产业占比、3类建筑的人均面积增长率以及3类建筑的碳排放因子等.

1.3 模型检验

为验证“城镇化-建筑碳排放”系统动力学模型的可靠性和稳定性, 采取运行检验和历史性检验两种方式进行检验.

（1）运行检验   建筑碳排放系统中的影响因素较多且相互影响, 为验证模型稳定性, 本文选取仿真步长为0.25、0.5和1的3种方式对京津冀地区的建筑碳排放和人均GDP进行检验, 运行结果如图 4所示. 从其曲线变化趋势可以看出, 建筑碳排放和人均GDP曲线在不同步长下基本吻合, 说明模型稳定性良好.

图 4 不同步长时建筑碳排放和GDP的仿真结果 Fig. 4 Simulation results of building carbon emissions and GDP at different step sizes

（2）历史性检验   历史性检验即选择某个历史时刻为最初点进行系统仿真, 将仿真结果与历史数据进行对比检验, 本文选择3种建筑能耗强度和建筑碳排放进行仿真拟合, 如图 5所示.

图 5 不同类型建筑能耗强度的模拟数据和历史数据对比 Fig. 5 Comparison of simulated and historical data on energy intensity of different types of buildings

由图 5可以看出京津冀地区3类建筑的能耗强度和建筑碳排放的模拟数据和历史数据的变化趋势基本一致, 说明本文构建的京津冀地区“城镇化-建筑碳排放”模型有效性良好. 表 2中4个检验变量的相对误差显示, 计算结果均低于15%, 说明模型的拟合度良好, 通过了历史检验.

表 2 检验变量历史数据与模拟数据的误差分析1）/% Table 2 Error analysis of historical data and simulated data of test variables/%

1.4 情景设计和参数设定 1.4.1 情景设计

为预测京津冀地区建筑碳排放的未来演变态势, 本文借鉴中国政策要求以及相关文献参数设定, 选取城镇化率、人均GDP、劳均GDP、建筑面积以及3类建筑的碳排放因子等作为调控变量, 基于“城镇化-建筑碳排放”模型采用情景分析法对3类建筑的碳排放进行动态预测. 本文设定4种情景, 分别为：基准情景、高碳情景、低碳情景和深度低碳情景. 表 3是不同情景下关键时间节点的参数设置指标, 其他年份的数据采用函数拟合方式得到.

表 3 模型主要变量的参数情景设置 Table 3 Parameter scenario setting of the main variables of the model

（1）基准情景  基于京津冀地区当前的发展现状和相关政策, 经济和城镇化水平等发展方式和速度延续历史发展趋势, 在不采取额外政策或技术措施情况下该地区建筑碳排放未来的变化情况.

（2）高碳情景  京津冀地区将经济发展作为首要任务, 加快经济发展水平增长速度, 推动城镇化发展进程, 建筑节能减排政策执行力度不足, 居民的低碳消费意识降低, 清洁能源发电动力不足. 因此高碳情景中各项参数指标均高于低碳情景.

（3）低碳情景  在基准情景的城镇化发展和经济发展的基础上, 对建筑面积的增长速度适度控制, 调整产业结构并优化能源结构, 放缓建筑碳排放的增长. 建筑节能减排政策力度加大, 居民的消费意识提高, 清洁能源发电力度加大, 电力发电效率提高. 所以低碳情景中城镇人口和GDP增长率参数指标与基准情景一致, 其余参数指标值均比基准情景小.

（4）深度低碳情景  在基准情景的基础上放缓城镇化发展和经济发展水平, 进一步加大建筑领域节能减排政策, 在低碳情景基础上进一步降低人均建筑面积增加速率, 加速产业结构调整和能源结构转型, 经济发展速度受节能减排政策影响略微放缓；居民的消费意识进一步提升, 清洁能源发电力度进一步加大, 电力发电效率进一步提高. 因此深度低碳情景中各项参数指标均比低碳情景小.

1.4.2 参数设置

（1）城镇人口占比  2000~2020年京津冀地区的城镇人口占比从39.05%增加至67.66%, 年均增长率为2.79%. 《国家人口发展规划（2016-2030）》文件中明确指出, 到2030年中国城镇化率不低于70%. 肖金成等[34]预测2025年京津冀地区的城镇化率会达到71.5%, 2035年达到77.71%, 2050年达到82%. 本文设置基准情景下2030、2040和2050年城镇人口占比分别为74%、79%和82%, 其他情景下的设置详见表 3.

（2）GDP和第三产业占比  北京市、天津市和河北省3个地区的“十四五”规划中对“十四五”期间经济指标的发展进行了预测, 其中北京市GDP的年平均增长率在5%左右, 天津市和河北省GDP的年平均增长率均为6%. Wang等[21]认为中国GDP的增长速率在逐年降低, 2021~2025年增长速率为6.5%, 之后每5 a下降0.5%. 随着中国经济的发展, 产业结构升级是必然趋势, 第三产业比重会进一步提高, 国务院发展研究中心预测中国2025年第三产业占比会达到51.60%, 2030年第三产业占比将达到61.10%. 韩楠等[35]预测京津冀地区基准情景下第三产业占比的变化率为1%, 高速发展情景下变化率为1.2%. 基于此, 本文参考上述文献设置GDP和第三产业占比参数如表 3.

（3）三类建筑的人均建筑面积  对于人均公共建筑面积, Yang等[36]预测低碳情景下2021~2023年增加8%, 2031~2040年增加8%, 2041~2050年增加6%. 对于人均城镇居住建筑面积, 住房和城乡建设部预测, 人均城镇居住面积在2030年达到36.1 m2, 而在政策严格控制时则于2030年达到30.1 m2, 2050年达到33.1 m2. 对于人均农村居住建筑面积, 住房和城乡建设部预测在基准情景下, 农村的人均居住建筑面积应控制在50 m2. Huo等[37]预测基准情景下, 2030年人均农村居住建筑面积会达到50 m2, 2050年达到52.8 m2, 2050年高碳情景和低碳情景下分别为57.8 m2和47.8 m2. 基于此, 本文设置3类建筑的人均建筑面积参数如表 3.

（4）建筑部门能源结构  各类建筑的碳排放因子计算源于建筑能源结构, 因此需要对建筑中煤、石油、天然气和电力等终端能源消耗所占比例进行测算. 对于公共建筑能源结构, 电气化情景下, 中国在2035年的建筑能源结构中电力占比达到75%, 2050年升至90%. Tan等[38]预测基准情景下2050年公共建筑中煤占比10%, 石油占比7%；2030年农村居住建筑能耗中煤占比28%, 2050年为14%；基准情景下2030年中国清洁能源发电占比为40.8%, 2050年会达到52.5%. 对于城镇居住建筑能源结构, 能源基金会预测天然气占比在2040年为12.5%, 2050年为13%. 参考现有研究, 本文设定3类建筑的碳排放因子参数如表 3.

2 结果与分析 2.1 京津冀地区建筑能耗的情景模拟

图 6展示了2000~2050年京津冀地区建筑能耗的变化趋势. 显然, 建筑部门总能耗仍将稳定增长一段时期, 不同类型建筑能耗也将经历先增长后下降的演变历程, 不同之处在于各情景下能耗达峰峰值及达峰时间差异明显.

图 6 不同类型建筑能耗的未来演变轨迹 Fig. 6 Future evolutionary trajectories of energy consumption in different types of buildings

在基准情景下, 3类建筑的能耗均未能在2030年之前达到峰值. 其中, 京津冀地区城镇居住建筑能耗于2032年达到峰值（以标煤计, 下同）0.52亿t；农村居住建筑能耗于2033年达到峰值0.35亿t；公共建筑能耗在2039年达到峰值1.20亿t. 而在低碳情景下, 城镇居住建筑、农村居住建筑、公共建筑和建筑总能耗的达峰时间分别为2031年、2032年、2038年和2036年, 峰值分别为0.45亿、0.32亿、1.01亿和1.75亿t. 显然, 低碳情景下京津冀地区3类建筑能耗的达峰时间相比基准情景均有提前. 深度低碳情景下, 3类建筑能耗的达峰时间均比低碳情景下提前1年, 建筑总能耗的达峰时间相比低碳情景提前4年, 在2032年达到峰值1.54亿t. 在高碳情景下, 城镇居住建筑能耗、农村居住建筑能耗和公共建筑能耗的达峰时间分别为2036年、2034年和2040年, 峰值分别为0.59亿、0.38亿和1.37亿t, 要比其他3种情景下3类建筑能耗的达峰时间晚, 峰值更高, 高碳情景下建筑部门总能耗则在2038年达到峰值2.33亿t, 峰值比基准情景高0.30亿t. 这一结果表明过度重视快速发展经济和城镇化, 不考虑环境的承受能力, 将不利于建筑节能减排和双碳目标的实现. 经济发展和城镇化水平的提高, 是区域发展的必要条件, 低碳情景和深度低碳情景下, 3类建筑能耗达峰时间均比基准情景下有所提前. 说明推进新型城镇化和加快经济转型并举, 可以在保持高质量发展的同时, 降低能源消耗.

2.2 京津冀地区建筑碳排放的情景模拟

图 7是京津冀地区3种情景下建筑碳排放的演变轨迹. 类似于能耗演变态势, 京津冀地区的建筑碳排放在未来一段时间内将保持增长的态势, 这说明在未来一段时间内京津冀地区的建筑部门依旧面临较大的减排压力. 此外, 不同类型的建筑在4种情景下的碳排放演变轨迹也均呈现出先增加后减少的特征.

图 7 不同类型建筑碳排放的未来演变轨迹 Fig. 7 Future trajectories of carbon emissions from different types of buildings

基准情景下, 京津冀地区的建筑碳排放从2020年的2.35亿t上升至2033年达到峰值（以CO2计, 下同）为3.42亿t, 之后逐步下降到2050年的2.05亿t. 低碳情景下, 达峰时间较基准情景提前2a, 峰值比基准情景低0.38亿t；深度低碳情景下, 京津冀地区的建筑碳排放峰值比基准情景低0.80亿t, 达峰时间比基准情景提前5a. 这两种低碳情景相较于基准情景, 达峰时间更早, 而且峰值更低. Ren等[39]将情景分析与蒙特卡洛模拟结合, 预测不同情景下京津冀地区碳达峰的时间范围为2020~2035年；Huang等[40]采用机器学习方法预测不同情景下京津冀地区碳达峰的时间范围为2025~2035年；杨玺等[41]基于开发的REACH综合评估模型, 通过情景模拟分析得到京津冀鲁地区碳达峰的时间范围为2020~2035年. 由于本文研究范围为京津冀地区建筑部门, 情景设置也有差别, 因此与现有的预测结果有微小偏差. 然而本文采用的系统动力学在调整仿真模型中的控制变量方面有很多优势, 更适合处理多变量之间的复杂关系, 并能设定变量之间的非线性关系.

对于公共建筑, 在当前趋势发展情况下达峰时间和峰值为2037年的1.95亿t, 低碳情景和深度低碳情景下, 碳达峰时间分别为2035年和2032年, 均无法实现2030年前达峰, 由图 7可以看出, 3类建筑中公共建筑的达峰时间最晚, 与Huo等[42]对全国建筑碳排放达峰情况预测研究中所得到结论的基本吻合. 对于农村居住建筑, 基准情景下于2027年达到峰值（0.60亿t）, 在低碳情景下于2023年达到峰值0.58亿t, 深度低碳情景下碳达峰时间比基准情景提前2 a, 峰值为0.55亿t. 对于城镇居住建筑碳排放, 基准情景下, 城镇居住建筑碳排放于2028年达到峰值0.99亿t, 然后逐渐下降至2050年的0.53亿t, 低碳情景和深度低碳情景下, 城镇居住建筑碳排放分别在2025年和2022年达到碳峰值, 相比基准情景提前了3 a和6 a. 因此可以得出基准情景下农村居住建筑碳排放和城镇居住建筑碳排放均在2030年前达到了峰值, 并且农村居住建筑碳排放的达峰时间早于城镇居住建筑. 这是由于京津冀地区城镇化发展快速, 城镇化质量提高, 居民低碳环保意识不断提高, 从而使得京津冀地区城镇居住建筑碳排放的达峰时间提前. 而随着京津冀地区城镇化的发展, 大量人口从农村转移到城市, 使得农村的经济活动和能源消耗减少, 因而农村居住建筑碳排放的达峰时间比较早.

综上所述, 在基准情景下, 京津冀地区建筑碳排放的达峰时间为2033年, 表明京津冀地区若想尽早实现碳达峰目标, 应依赖于推行严格的减排政策和减排技术. 而在深度低碳情景下, 京津冀地区建筑碳排放在2028年实现了达峰, 且建筑碳排放量最小, 峰值为2.61亿t. 政府采取更为严格的节能减排策略对双碳目标的实现具有现实意义. 另外值得注意的是, 京津冀地区公共建筑在不同情景下达峰时间最晚. 因此, 政府应该更重点关注公共建筑的节能减排工作, 这将有利于京津冀地区建筑部门整体上尽早实现达峰目标.

3 讨论

本文采用敏感性分析探讨主要影响因素对建筑碳排放的影响程度. 主要选取如下9个变量：城镇人口占比（S1）、人均GDP（S2）、第三产业占比（S3）、人均公共建筑面积（S4）、人均城镇居住建筑面积（S5）、人均农村居住建筑面积（S6）、公共建筑碳排放因子（S7）、城镇居住建筑碳排放因子（S8）和农村居住建筑碳排放因子（S9）, 以变量增加20%来观察京津冀地区建筑碳排放的变化情况. 图 8为各变量的敏感性分析结果, 图 9是对应变量的敏感度系数.

图 8 建筑碳排放敏感性分析 Fig. 8 Sensitivity analysis of carbon emissions from buildings

图 9 主要变量的敏感度系数 Fig. 9 Sensitivity coefficients for key variables

从图 8中可以看出公共建筑能耗碳排放因子和人均公共建筑面积对建筑碳排放影响最大, 敏感度系数均达到0.624. 若将公共建筑碳排放因子或人均公共建筑面积提高20%, 则碳排放峰值均比基准情景增加0.19亿t. 该结果表明降低京津冀地区的公共建筑碳排放因子和人均公共建筑面积对碳排放的抑制效果较为明显. 京津冀地区第三产业发展迅速, 人均公共建筑面积必然相应增加, 导致公共建筑的能源消耗量增加, 最终使得建筑碳排放量增加. 城镇化发展带动经济发展, 有利于知识溢出和技术进步, 进而促进电气化率提高和清洁能源的应用, 有利于降低建筑碳排放因子, 从而抑制建筑碳排放的增长. 相反, 如果提高建筑碳排放因子则会增加建筑碳排放量, 由敏感性系数可以看出3类建筑中公共建筑的碳排放因子对建筑碳排放影响最显著, 因此公共建筑碳排放能否按时达峰直接决定着建筑部门的碳排放达峰进程, 这与Tan等[38]和Huo等[42]研究的结论一致.

人口维度的城镇化率是促进碳排放增加的主要因素, 敏感度系数为0.578, 吴健生等[43]研究发现中国人口城镇化率提高和人均CO2排放量的增多是同步的, 这与本文研究的结果一致. 基准情景下, 京津冀地区建筑碳排放在2034年达到峰值, 当城镇化率提高20%时, 建筑碳排放于2035年达峰, 且峰值与基准情景相比增加0.08亿t. 这是因为京津冀地区是典型的城镇化高速发展区域, 城镇化率的提高使得城镇人口增多, 住房需求和能源消耗相应增加, 从而导致城镇居住建筑面积和各终端能耗的增加, 使得达峰时间延后, 峰值较基准情景也有所增加.

人均居住建筑面积和居住建筑碳排放因子也是促进碳排放增加的重要因素. 人均城镇居住建筑面积、城镇居住建筑碳排放因子、人均农村居住建筑面积和农村居住建筑碳排放因子的敏感度系数分别为0.26、0.26、0.116和0.116. 该结果意味着将人均城镇居住建筑面积或城镇居住建筑碳排放因子提高20%, 将导致碳排放峰值比基准情景增加0.1亿t. 而将人均农村居住建筑面积或农村居住建筑碳排放因子提高20%, 则会使得碳排放峰值增加至3.46亿t, 与基准情景相比增加了0.05亿t. 京津冀地区作为中国的“首都经济圈”, 经济发展速度快, 居民消费水平高, 经济水平和消费意识的提高使得人均居住建筑面积增加, 从而增加该地区采暖、制冷和照明的能源需求, 最终导致碳排放的不断攀升, 使得达峰峰值增加.

经济维度的人均GDP和第三产业占比2个影响因素均对建筑碳排放呈负向影响, 敏感度系数分别为-0.155和-0.337, Chen等[44]研究表明产业结构是京津冀地区碳排放的显著影响因素, 有助于减缓碳排放增长. 将人均GDP或第三产业占比增加20%, 均使得碳排放比基准情景提前1 a至2033年达峰, 峰值与基准情景相比分别减少了0.02亿t和0.05亿t. 从图 8可以看出相较于基准情景, 人均GDP增加20%会使得碳排放出现先高于基准情景, 后低于基准情景的情况. 这主要是由于京津冀地区发展初期, 城镇化进程和经济发展速度快, 人均GDP快速增加, 居民收入水平也相应提高, 从而增加家用电器的数量和使用时间, 最终导致碳排放的增加. 之后随着京津冀地区城镇化质量提高和经济的发展, 基础设施越完备, 人民生活质量和环保意识增强, 推进低碳转型受社会福利影响减弱[45], 再加上节能减排技术的提高和减碳政策的驱动, 将使得经济发展水平和建筑碳排放逐步实现脱钩. 吴健生等[43]也在研究中指出随着人均GDP增长, 人均CO2排放量的增加量逐渐减少, 得出二者存在脱钩可能性的结论. 因此从中长期来看, 建筑碳排放未来可能出现下降的趋势.

4 建议

（1）遵循低碳发展理念, 推动以节能减排为基础的城镇化高质量发展. 积极推动城乡一体化建设, 不断缩小城乡差距；优化城镇产业结构, 鼓励第三产业的低碳转型, 支持建筑行业的绿色低碳发展, 不断深化城镇化高质量发展内涵.

（2）合理控制京津冀地区建筑规模, 提升空间城镇化质量, 是促进建筑碳减排的重要切入点.

控制该地区的建筑存量, 合理规划不同类型建筑的增量. 对于城镇和农村居住建筑, 加大旧房节能改造力度, 不断改善住房环境, 完善老旧房拆除制度, 持续转变居民住房理念, 将购房理念回归理性.

（3）加强区域内合作和能源发展政策协同, 优化升级产业结构, 有利于发展经济城镇化. 京津冀地区的产业结构尚不成熟, 北京和天津重工业分布较少, 能源结构升级以及节能减排政策体系比较完善, 应发展低碳技术, 加大低碳以及减碳技术研发力度, 河北应着力加强对高污染产业的控制, 淘汰落后产能, 提高能源结构调整效应, 北京市和天津市加强与河北省的可再生能源合作开发, 提升京津冀地区建筑部门的电气化水平.

（4）京津冀地区应加强节能减排合作, 充分考虑地区间的联动效应. 根据京津冀各城市的功能定位, 建立建筑部门碳排放协同治理的环境规制和合作补偿政策, 从区域建筑业供应链各环节展开碳排放的防控, 从而减少排放转移.

5 结论

（1）基准情景下, 农村居住建筑、城镇居住建筑和公共建筑碳排放的达峰时间分别是2027年、2028年和2037年, 峰值分别为0.60亿、0.99亿和1.95亿t. 低碳情景下, 3种类型建筑的碳排放在达峰时间上均较基准情景提前, 其中城镇居住建筑碳排放达峰时间提前最多为4 a, 在2024年达到峰值0. 88亿t.

（2）在深度低碳情景下, 农村居住建筑、城镇居住建筑和公共建筑的达峰时间上均比低碳情景提前3 a, 到2050年3类建筑CO2量分别比基准情景减少0.09亿、0.19亿和0.87亿t. 根据情景分析得到的预测结果, 可以看出按照当前的趋势无法完成2030年碳达峰的目标, 需要进一步加大政策或技术支持力度.

（3）敏感性分析显示公共建筑碳排放因子和空间维度的人均公共建筑面积是影响建筑碳排放的主要因素. 提高20%会使峰值较基准情景增加0.19亿t, 人口维度的城镇人口占比次之, 提高20%城镇化率使得基准情景下的碳排放达峰时间延后1 a. 因此要重视京津冀地区公共建筑的节能减排, 提高城镇化质量.

参考文献
[1] Huo T F, Cao R J, Du H Y, et al. Nonlinear influence of urbanization on China's urban residential building carbon emissions: New evidence from panel threshold model[J]. Science of the Total Environment, 2021, 772. DOI:10.1016/j.scitotenv.2021.145058
[2] Sufyanullah K, Ahmad K A, Sufyan Ali M A. Does emission of carbon dioxide is impacted by urbanization? An empirical study of urbanization, energy consumption, economic growth and carbon emissions-Using ARDL bound testing approach[J]. Energy Policy, 2022, 164. DOI:10.1016/j.enpol.2022.112908
[3] 任晓松, 刘宇佳, 赵国浩. 经济集聚对碳排放强度的影响及传导机制[J]. 中国人口·资源与环境, 2020, 30(4): 95-106.
Ren X S, Liu Y J, Zhao G H. The impact and transmission mechanism of economic agglomeration on carbon intensity[J]. China Population, Resources and Environment, 2020, 30(4): 95-106.
[4] 邵帅, 张可, 豆建民. 经济集聚的节能减排效应: 理论与中国经验[J]. 管理世界, 2019, 35(1): 36-60.
Shao S, Zhang K, Dou J M. Effects of economic agglomeration on energy saving and emission reduction: theory and empirical evidence from China[J]. Management World, 2019, 35(1): 36-60.
[5] Bai Y P, Deng X Z, Gibson J, et al. How does urbanization affect residential CO2 emissions? An analysis on urban agglomerations of China[J]. Journal of Cleaner Production, 2019, 209: 876-885. DOI:10.1016/j.jclepro.2018.10.248
[6] Zhang S X, Li Z F, Ning X, et al. Gauging the impacts of urbanization on CO2 emissions from the construction industry: Evidence from China[J]. Journal of Environmental Management, 2021, 288. DOI:10.1016/j.jenvman.2021.112440
[7] 王锋, 秦豫徽, 刘娟, 等. 多维度城镇化视角下的碳排放影响因素研究——基于中国省域数据的空间杜宾面板模型[J]. 中国人口·资源与环境, 2017, 27(9): 151-161.
Wang F, Qin Y H, Liu J, et al. A study on the influencing factors of carbon emissions from the perspective of multi-dimensional urbanization: based on the spatial Dubin panel model of China provinces[J]. China Population, Resources and Environment, 2017, 27(9): 151-161.
[8] Huo T F, Li X H, Cai W G, et al. Exploring the impact of urbanization on urban building carbon emissions in China: Evidence from a provincial panel data model[J]. Sustainable Cities and Society, 2020, 56. DOI:10.1016/j.scs.2020.102068
[9] Wang J B, You K R, Qi L L, et al. Gravity center change of carbon emissions in Chinese residential building sector: Differences between urban and rural area[J]. Energy Reports, 2022, 8: 10644-10656. DOI:10.1016/j.egyr.2022.08.208
[10] He J H, Yue Q, Li Y, et al. Driving force analysis of carbon emissions in China's building industry: 2000-2015[J]. Sustainable Cities and Society, 2020, 60. DOI:10.1016/j.scs.2020.102268
[11] Lu Y J, Cui P, Li D Z. Which activities contribute most to building energy consumption in China? A hybrid LMDI decomposition analysis from year 2007 to 2015[J]. Energy and Buildings, 2018, 165: 259-269. DOI:10.1016/j.enbuild.2017.12.046
[12] Wang H M, Li X Y, Tian X, et al. Socioeconomic drivers of China's resource efficiency improvement: A structural decomposition analysis for 1997-2017[J]. Resources, Conservation and Recycling, 2022, 178. DOI:10.1016/j.resconrec.2021.106028
[13] Zhu C, Chang Y, Li X D, et al. Factors influencing embodied carbon emissions of China's building sector: An analysis based on extended STIRPAT modeling[J]. Energy and Buildings, 2022, 255. DOI:10.1016/j.enbuild.2021.111607
[14] Huo T F, Ma Y L, Yu T, et al. Decoupling and decomposition analysis of residential building carbon emissions from residential income: Evidence from the provincial level in China[J]. Environmental Impact Assessment Review, 2021, 86. DOI:10.1016/j.eiar.2020.106487
[15] Wang A L, Lin B Q. Dynamic change in energy and CO2 performance of China's commercial sector: A regional comparative study[J]. Energy Policy, 2018, 119: 113-122. DOI:10.1016/j.enpol.2018.04.036
[16] Wang Y, Guo J, Yue Q, et al. Total CO2 emissions associated with buildings in 266 Chinese cities: characteristics and influencing factors[J]. Resources, Conservation and Recycling, 2023, 188. DOI:10.1016/j.resconrec.2022.106692
[17] You K R, Ren H, Cai W G, et al. Modeling carbon emission trend in China's building sector to year 2060[J]. Resources, Conservation and Recycling, 2023, 188. DOI:10.1016/j.resconrec.2022.106679
[18] 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
[19] Zhang S C, Yang X Y, Xu W, et al. Contribution of nearly-zero energy buildings standards enforcement to achieve carbon neutral in urban area by 2060[J]. Advances in Climate Change Research, 2021, 12(5): 734-743. DOI:10.1016/j.accre.2021.07.004
[20] Zhu C, Li X D, Zhu W N, et al. Embodied carbon emissions and mitigation potential in China's building sector: An outlook to 2060[J]. Energy Policy, 2022, 170. DOI:10.1016/j.enpol.2022.113222
[21] Wang D, He W, Shi R Y. How to achieve the dual-control targets of China's CO2 emission reduction in 2030? Future trends and prospective decomposition[J]. Journal of Cleaner Production, 2019, 213: 1251-1263. DOI:10.1016/j.jclepro.2018.12.178
[22] Zhou N, Khanna N, Feng W, et al. Scenarios of energy efficiency and CO2 emissions reduction potential in the buildings sector in China to year 2050[J]. Nature Energy, 2018, 3(11): 978-984. DOI:10.1038/s41560-018-0253-6
[23] Chen H, Wang L N, Chen W Y. Modeling on building sector's carbon mitigation in China to achieve the 1.5 C climate target[J]. Energy Efficiency, 2019, 12(2): 483-496. DOI:10.1007/s12053-018-9687-8
[24] 洪竞科, 李沅潮, 蔡伟光. 多情景视角下的中国碳达峰路径模拟——基于RICE-LEAP模型[J]. 资源科学, 2021, 43(4): 639-651.
Hong J K, Li Y C, Cai W G. Simulating China's carbon emission peak path under different scenarios based on RICE-LEAP model[J]. Resources Science, 2021, 43(4): 639-651.
[25] Pan X F, Uddin M K, Ai B W, et al. Influential factors of carbon emissions intensity in OECD countries: Evidence from symbolic regression[J]. Journal of Cleaner Production, 2019, 220: 1194-1201. DOI:10.1016/j.jclepro.2019.02.195
[26] 王开, 傅利平. 京津冀产业碳排放强度变化及驱动因素研究[J]. 中国人口·资源与环境, 2017, 27(10): 115-121.
Wang K, Bo L P. Study on the changes in carbon intensity and driving factors of Beijing-Tianjin-Hebei[J]. China Population, Resources and Environment, 2017, 27(10): 115-121.
[27] Li D Z, Huang G Y, Zhang G M, et al. Driving factors of total carbon emissions from the construction industry in Jiangsu Province, China[J]. Journal of Cleaner Production, 2020, 276. DOI:10.1016/j.jclepro.2020.123179
[28] 韩楠. 基于供给侧结构性改革的碳排放减排路径及模拟调控[J]. 中国人口·资源与环境, 2018, 28(8): 47-55.
Han N. Simulation and regulation on the pathway of carbon emission reduction based on supply-side structural reform[J]. China Population, Resources and Environment, 2018, 28(8): 47-55.
[29] 周雄勇, 许志端, 郗永勤. 中国节能减排系统动力学模型及政策优化仿真[J]. 系统工程理论与实践, 2018, 38(6): 1422-1444.
Zhou X Y, Xu Z D, Xi Y Q. The system dynamic model and policy optimized simulation of energy conservation and emission reduction in China[J]. Systems Engineering-Theory & Practice, 2018, 38(6): 1422-1444.
[30] Du Q, Shao L, Zhou J, et al. Dynamics and scenarios of carbon emissions in China's construction industry[J]. Sustainable Cities and Society, 2019, 48. DOI:10.1016/j.scs.2019.101556
[31] Sun W, Huang C C. Predictions of carbon emission intensity based on factor analysis and an improved extreme learning machine from the perspective of carbon emission efficiency[J]. Journal of Cleaner Production, 2022, 338. DOI:10.1016/j.jclepro.2022.130414
[32] Yang H H, Li X, Ma L W, et al. Using system dynamics to analyse key factors influencing China's energy-related CO2 emissions and emission reduction scenarios[J]. Journal of Cleaner Production, 2021, 320. DOI:10.1016/j.jclepro.2021.128811
[33] 茹雪, 雷鹏飞, 刘培. 二氧化碳动态边际减排成本及其影响机制[J]. 中国人口·资源与环境, 2022, 32(11): 43-57.
Ru X, Lei P F, Liu P. Dynamic marginal abatement cost of CO2 emissions and its influence mechanism[J]. China Population, Resources and Environment, 2022, 32(11): 43-57.
[34] 肖金成, 洪晗. 城市群人口空间分布与城镇化演变态势及发展趋势预测[J]. 经济纵横, 2021(1): 19-30.
Xiao J C, Hong H. The spatial distribution of population and the evolutionary characteristics of urbanization in Chinese urban agglomerations[J]. Economic Review Journal, 2021(1): 19-30.
[35] 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.
[36] Yang T, Pan Y Q, Yang Y K, et al. CO2 emissions in China's building sector through 2050: A scenario analysis based on a bottom-up model[J]. Energy, 2017, 128: 208-223. DOI:10.1016/j.energy.2017.03.098
[37] Huo T F, Ma Y L, Cai W G, et al. Will the urbanization process influence the peak of carbon emissions in the building sector? A dynamic scenario simulation[J]. Energy and Buildings, 2021, 232. DOI:10.1016/j.enbuild.2020.110590
[38] Tan X C, Lai H P, Gu B H, et al. Carbon emission and abatement potential outlook in China's building sector through 2050[J]. Energy Policy, 2018, 118: 429-439.
[39] Ren J, Bai H, Zhong S C, et al. Prediction of CO2 emission peak and reduction potential of Beijing-Tianjin-Hebei urban agglomeration[J]. Journal of Cleaner Production, 2023, 425. DOI:10.1016/j.jclepro.2023.138945
[40] Huang Y S, Liu J J, Shi M S. Analysis of influencing factors and prediction of carbon emissions of typical urban agglomerations in China: a case study of Beijing-Tianjin-Hebei region[J]. Environmental Science and Pollution Research, 2023, 30(18): 52658-52678.
[41] 杨玺, 孙奕生, 常世彦, 等. 加速能源转型与产业结构调整的环境健康协同效益评估: 以京津冀鲁地区为例[J]. 环境科学, 2023, 44(7): 3627-3636.
Yang X, Sun Y S, Chang S Y, et al. Assessing the environmental and health co-benefits of accelerated energy transition and industrial restructuring: A case study of the BTHS region[J]. Environmental Science, 2023, 44(7): 3627-3636.
[42] Huo T F, Du Q X, Xu L B, et al. Timetable and roadmap for achieving carbon peak and carbon neutrality of China's building sector[J]. Energy, 2023, 274. DOI:10.1016/j.energy.2023.127330
[43] 吴健生, 晋雪茹, 王晗, 等. 中国碳排放及影响因素的市域尺度分析[J]. 环境科学, 2023, 44(5): 2974-2982.
Wu J S, Jin X R, Wang H, et al. Analysis of carbon emissions and influencing factors in China based on city scale[J]. Environmental Science, 2023, 44(5): 2974-2982.
[44] Chen J L, Yuan H M, Tian X, et al. What determines the diversity of CO2 emission patterns in the Beijing-Tianjin-Hebei region of China? An analysis focusing on industrial structure change[J]. Journal of Cleaner Production, 2019, 228: 1088-1098.
[45] 刘润璞, 彭栓, 陈玉烁, 等. 中国省域差异化碳达峰评价方法与应用[J]. 环境科学, 2024, 45(3): 1233-1242.
Liu R P, Peng S, Chen Y S, et al. Research on the evaluation method and application of provincial differentiated carbon peaking in China[J]. Environmental Science, 2024, 45(3): 1233-1242.