2025, Vol. 46
2. 暨南大学能源电力研究中心，珠海 519070;
3. 暨南大学智能科学与工程学院，珠海 519070
2. Energy and Electricity Research Center, Jinan University, Zhuhai 519070, China;
3. School of Intelligent Systems Science and Engineering, Jinan University, Zhuhai 519070, China
随着社会经济的不断发展, 大量化石能源被应用到生产和生活中, CO2排放问题日益严重. 自2020年中国首次提出“2030年碳达峰、2060年碳中和”目标后, 各省、直辖市和自治区政府纷纷因地制宜制定“双碳”战略规划, 能源消费总量和CO2排放量增速有所放缓[1]. 到2022年, 中国CO2排放量约为114.77亿t, 约占全球碳排放总量的31%[2]. 高碳排放仍是当前迫切需要解决的问题, 剖析碳排特征是多措并举推动碳减排进程的首要环节[3, 4].
广东省作为能源消费大省, 其碳排放强度和总量受到高度重视[5]. 2022年1月, 广东省在年度政府工作报告中强调, 需分区域分行业推动碳达峰. 2023年2月, 广东省人民政府正式发布《广东省碳达峰实施方案》, 强调各地级市减碳过程与当地重点行业的关联性. 目前, 广东在碳排放管理方面正处于“总量控制”向“分行业、分区域精准施策”的过渡阶段[6, 7]. 然而各地级市的碳减排进程步调不一、发展增速差异、基础环境参差不齐[8], 省级政府实施“分而治之”的减碳战略也受到阻碍, 有必要进行针对性的研究, 推动城市间形成可持续的合作减碳和交流借鉴.
目前尚未有学者针对广东省独特的发展态势研究其碳排放时空分异特性及影响因素, 但国内外学者对碳排放进行的大量探索可提供良好的借鉴和参考[9, 10].
在碳排放计量研究方面, 主要方法包括清单法[11~13]、实测法[14, 15]、物质平衡法[16, 17]和建模法[18, 19], 其中清单法是目前最常用的方法, 适用于宏观碳排放计量[20]. 政府间气候变化专门委员会（Intergovernmental Panel on Climate Change, IPCC）颁布的国家温室气体清单情景分析指南成为清单法的主流手段[21]. 郭艺等[22]基于IPCC清单编制法测算了长江经济带电力碳排放的概况, 该清单简单易用、科学可靠.
在研究区域尺度划分方面, 多数时空分异特性研究立足国家或省域层面[23~25]. 郝瑞军等[26]结合省级尺度的碳排、灯光和人口数据, 解析了全国能源消费碳排放的时空动态演化特征；Zheng等[27]借助夜间灯光数据实证分析福建省碳排放时空格局演化规律. 但目前未有研究由省及市、由上至下开展碳排放特征分析, 难以支持省级政府视角下的宏观布局和地市政策引导. 而不同地市间的碳排放特性相异又具有相似性, 科学规范的城市分类框架可促进相似地市间的合作减碳和交流借鉴, 郭芳等[28]基于6个静态碳排放指标对中国城市进行聚类, 解析其碳达峰时空演变趋势, 为不同类型的城市提出了切实的碳达峰建议. 由于城市特征数量较多, 直接聚类会轻视部分重要特征且高估个别次要特征, 同时也会重复计算相关性较强的特征, 致使聚类结果产生偏差, 而主成分分析法的引入可提升聚类的精准化程度.
在碳排放影响因素分析方面, 主要方法包括指数分解模型[29, 30]、IPAT模型[31, 32]和结构分解模型[33, 34], 其中指数分解模型中的对数平均迪氏指数方法因其数据可访问性、可逆计算过程以及分解中不存在残差或零值等优势, 被广泛使用[35~37]. 苗安康等[38]使用多层对数平均迪氏分解模型探索碳排放影响因素. 但传统指数分解模型未充分考虑各因素的关联性和约束性, 模型测算过程也难以添加多个绝对量因素, 不能适用于城市碳排放多因素交织的情况[39], 而广义迪氏指数分解模型可更准确全面量化各因素的实质贡献.
因此, 本研究以广东省21个地级市为研究对象, 借助碳排放、经济和能源消费等数据进行聚类分析, 得出不同发展特征城市群；进而讨论各类城市碳排放强度及碳排放影响因素, 形成碳减排策略建议, 以期支持广东省政府及各地级市政府进行减碳决策, 助力广东省“双碳”目标的有序实现.
1 材料与方法 1.1 碳排放量核算方法本研究基于IPCC排放因子法核算广东省各地级市的碳排放量, 相关模型公式如下：
|
(1) |
式中, CEi、ADi、EFi、NCVi和Oi分别为第i种燃料的CO2排放量、燃料消耗量、碳排放因子、燃料低位热值和碳氧化因子.
根据IPCC的国家温室气体清单和广东省各城市统计年鉴, 本研究选取了原煤、洗精煤、其他洗煤、焦炭、焦炉煤气、其他焦化产品、原油、汽油、煤油、柴油、燃料油、液化石油气、炼厂干气、其他石油制品和天然气共15种化石燃料作为碳排放统计量. 其IPCC碳排系数如表 1所示. 本研究涉及的化石燃料消费量来源于2013~2022年的《广东省统计年鉴》及21个地级市统计年鉴. 各化石燃料的平均低位发热量的单位热值含碳量和碳氧化因子来源于《综合能耗计算通则》[40]和《省级温室气体清单编制指南》[41].
|
表 1 各化石燃料的IPCC碳排系数1） Table 1 IPCC carbon emission coefficients for each fossil fuel |
1.2 城市特征聚类方法
本研究基于主成分分析和K均值算法的城市特征聚类分析. 主成分分析法主要用于将多个城市特征转化为少数的主成分[42], 既能保证原始特征的大部分信息, 又能解决部分特征相关性过强的问题. K均值算法是基于划分的无监督聚类算法之一[43], 主要基于城市主成分数据, 利用其欧氏距离结果评估各城市的相似性并实现21个城市的分类. 模型如下.
首先, 计算城市特征数据的协方差：
|
(2) |
式中, X = {xij}N × M为城市特征原始矩阵, N为拟分析的城市个数；M为原始的城市特征数量；x为均值.
接着, 计算半正定矩阵R的特征值λi ≥ 0，(i = 1，2，⋯，N) 和特征向量集合E = (e1，e2，⋯，eM) = {eij}M × M, 进而测算贡献率θ. 然后, 选取累计贡献率∑θ > 80作为划分阈值, 提取主成分. 此时, 第i个主成分则为Pi = e1iX1 + e2iX2 + ⋯ + eMiXM，(i = 1，2，⋯，H), 式中, H为主成分个数.
结合主成分的分布情况和预设的集合数, 随机生成目标数量的初始中心点, 记作Nodei = (v1，v2，⋯，vH)，i = 1，2，⋯，K, 计算各城市数据与中心点的欧式距离, 按照“归类-重新计算中心点-重新归类”的思路多次往复, 直至中心点趋于稳定, 即得到广东省城市分类.
考虑到聚类指标体系需满足科学性、系统性、可操作性和动态性的原则, 本研究从碳排放状况、城市化进程和经济发展水平等方面共选取了9个指标进行分析. 其中, 碳排放强度、城市人口占总人口的比例[44]、人均GDP[45]和第二产业增加值占比[45]用以衡量城市发展现状, 选取2022年数据进行测算；碳排放量变化率[46]、全年电力消耗量变化率、GDP变化率[46]、人口变化率[46]和第二产业增加值占比变化率[47]用以衡量城市发展潜力, 选用2013~2022年数据进行测算.
1.3 城市碳排放因素分解模型本研究采用广义迪氏指数分解模型对各类城市影响因素进行分解[48], 利用Kaya恒等式的变式, 构建多因素指数分解模型, 探究广东省城市碳排放的主要影响因素.
令Z为CO2排放量；X1为国内生产总值, 反映经济活动效应；X3为能源消费总量, 反映能源消耗效应；X5为人口总量, 反映人口规模效应；X2为碳排放强度, 反映生产结构效应；X4为能源排放因子, 反映能源构成效应；X6为人均碳排放量, 反映生活方式效应；X7为人均生产总值, 反映社会福利效应；X8为能耗强度, 反映能源效率效应. 各因素间关系如下[49]：
|
(3) |
随后构造由各因素组成的雅可比矩阵ΦX如下：
|
(4) |
进而借助公式（5）, 可将碳排放变化量ΔC分解为各因素贡献之和.
|
(5) |
式中, L为持续时间；▽C为(X2，X1，0，0，0，0，0，0)T；上标T为转置符；I为单位矩阵；ΦX+为广义逆矩阵, 若ΦX的列线性无关, 则有ΦX+ = (ΦXTΦX)-1ΦXT.
计算所涉及的数据来源于2013~2022年的《广东省统计年鉴》及各地级市的统计年鉴.
2 结果与讨论 2.1 广东省各市碳排放量测算与聚类分析基于1.1节提及的碳排放量核算方法和年鉴数据, 计算广东省21个地级市2013~2022年的碳排放量, 数值展示如图 1所示. 可以看出, 广东省碳排放量近10 a呈现出稳步增长趋势.
|
图 1 广东省各地级市2013~2022年碳排放量带状图 Fig. 1 Band chart of city carbon emissions in Guangdong Province from 2013 to 2022 |
作为广东省唯二的一线城市, 广州市的能源消耗碳排放量总体维持在稳定的状态, 数值在66×106~70×106 t的范围内波动；深圳市的能源碳排放量于2020年开始, 碳排放总量就呈现下降趋势, 2022年其碳排放强度（以CO2计, 下同）已降至0.2 t·万元-1, 仅为全国平均水平的1/5. 对于粤东地区的汕头市、潮州市、揭阳市和汕尾市等地级市, 其能源碳排放量在2019年和2020年均出现了小幅下降而后回升. 粤北地区的韶关市呈现出碳排放量缓慢增长的状态, 并在2022年出现了回落的苗头. 对于粤西地区的湛江市和茂名市, 其能源消费导致的碳排放量呈现出上升趋势, 近几年尤为明显. 2022年湛江市的化石燃料碳排放更是达到113.74×106 t. 从碳排放区域分布来看, 广东省碳排放量呈现较为明显的区域不平衡性. 珠三角地区的碳排放量贡献高达42.50%, 其次是粤西地区, 粤北地区碳排贡献最低.
基于1.2节提及的城市特征指标和年鉴数据, 进行KMO和Bartlett的球形度检验. 结果显示, KMO值> 0.5, 即变量间存在相关性；Bartlett球形检验中近似卡方为134.807, 自由度为36, P < 0.05, 则样本适合用作因子分析. 表 2为城市特征矩阵的总方差解释表. 可以看出, 当提取3个主成分的时候, 累计方差贡献率已超过80%, 原始的城市特征数据矩阵的信息丢失较少, 分析效果相对理想, 具有统计学意义.
|
|
表 2 城市特征矩阵的总方差解释 Table 2 Total variance explained for city characteristics matrix |
通过凯撒正态化最大方差法对成分矩阵进行旋转, 第5次迭代后结果收敛. 表 3为排除掉绝对值小于0.7的小系数的旋转成分矩阵, 可以看出, “碳排放强度”、“碳排放量变化率”和“全年电力消耗量变化率”在第1个成分上有最高的载荷, 解释为绿色发展指数, 为成本型指标；“人均GDP”和“GDP变化率”在第2个成分上有最高的载荷, 解释为经济发展指数, 为效益型指标；第3个成分主要用以解释“第二产业增加值占比”和“第二产业增加值占比变化率”这2个指标, 称作工业发展指数, 为效益型指标.
|
|
表 3 旋转成分矩阵 Table 3 Rotated component matrix |
利用指标和成分之间转化关系, 计算广东省21个地级市在绿色发展、经济发展和工业发展三方面基本情况, 分别如图 2~4所示.
|
图 2 广东省城市绿色发展指数的空间分布情况 Fig. 2 Spatial distribution for city green development index in Guangdong Province |
|
图 3 广东省城市经济发展指数的空间分布情况 Fig. 3 Spatial distribution for city economic development index in Guangdong Province |
|
图 4 广东省城市工业发展指数的空间分布情况 Fig. 4 Spatial distribution for city industrial development in Guangdong Province |
基于主成分数据向量, 进行K均值城市聚类. 聚类中心迭代两次后不再变动, 结果收敛. 广东省21个地级市被划分为4类, 聚类中心依次是：（-0.63, 2.10, -0.71）、（0.10, -0.62, -0.84）、（1.38, -0.03, 0.05）和（-0.53, -0.30, 0.87）. 由聚类中心分布可以看出, 第1类城市在经济发展方面处于绝对领先水平, 节能减碳行动具有较好的资金支持, 适合打造示范性或引领性节能项目, 属于减排示范型城市；第2类城市经济发展缓慢, 工业发展相对饱和, 新兴产业发展迫切, 减碳方式和手段或受新兴产业类型影响, 属于资源依赖型城市；第3类城市经济和工业发展相对稳定, 能源消耗及产业分布相对稳定, 碳减排工作有待加强, 工业能耗监管和碳排监控实施迫切, 属于传统耗能型城市；第4类城市工业发展劲头猛, 同时形成了一定的减碳成效, 属于节能降碳型城市. 聚类结果如图 5所示.
|
图 5 基于主成分分析和K均值算法的城市特征聚类 Fig. 5 City clustering based on principal component analysis and K-means algorithm |
从聚类结果来看, 深圳市、广州市和珠海市属于广东减排示范型城市, 表现为人均生产总值高, 节能减碳政策及示范项目较多. 2022年, 仅深圳和广州两个市的GDP就占了全省GDP的47.42%. 珠海也以其“人口规模小、背靠澳门、产值较高”的优势, 2022年人均GDP达16.33万元, 略低于深圳的18.34万元, 在21个地级市中位列第2. 图 6为各因素对广东省减排示范型城市碳排放总量变化的分解结果.
|
图 6 减排示范型城市各影响因素的碳排放效应 Fig. 6 Carbon emission effect for influencing factors in demonstration cities |
在双碳目标提出之前, “经济活动”、“能源消耗”和“人口规模”是减排示范型城市碳排放的主要促进因素, 多年平均贡献值分别为1.39、0.38和0.88. 生产结构、能源构成和生活方式是2013~2020年间减排示范型城市碳减排的关注重点. 2014~2015、2016~2017和2017~2018年间, 由于生产结构、能源构成和生活方式逐步绿色化, 使得碳排放变化量由正转负. 从2019年起, 减排示范型城市碳排放量持续呈现负增长. 随着双碳目标的提出, 政府部门多措并举, 碳排放的主要动因仅剩“经济活动”和“能源消耗”两个分项. 居民绿色生活行动得到支持和推广, “人口规模”已不再成为核心因素. 经济活动贡献值从2020年前的1.39下降至2020年后的1.31；能源消耗贡献值则是从2020年前的0.38跃升至0.51. 绿色生产方式和清洁能源使用成为城市碳减排的核心举措. 因此, 对于减排示范型城市, 应大力支持节能环保和新能源等战略性新兴产业集群化发展, 强化绿色低碳重点技术攻关, 深入推进园区低碳数字化改造, 培育一批近零碳建筑试点示范和绿色智慧标杆园区[50]；提高清洁能源利用率, 大力推动分布式光伏高质量发展, 鼓励氢能和海洋能等新型清洁能源的推广应用.
2.2.2 资源依赖型城市从聚类结果来看, 广东省共有6个资源依赖型城市, 约占全省总碳排放量的14.80%. 它们分别是梅州市、清远市、韶关市、云浮市、揭阳市和河源市, 经济发展相对缓慢. 2022年, 六市的GDP贡献率约为7.46%, 第二产业增加值占比基本稳定在30%~40%. 图 7为各因素对广东省资源依赖型城市碳排放总量变化的分解结果.
|
图 7 资源依赖型城市各影响因素的碳排放效应 Fig. 7 Carbon emission effect for influencing factors in resource-dependent cities |
从因素分解结果来看, 近10 a的资源依赖型城市碳排放的主要驱动因素是“经济活动”、“能源消耗”和“生活方式”, 平均贡献率分别为62.06%、29.35%和37.14%. “经济结构”成为主要的减排因素, 平均贡献率达-26.74%. 值得一提的是, 2020年, 部分传统工业企业受疫情影响关停, 资源依赖型城市出现碳排量负增长, 到2021年因复产复工使得城市碳排放量增长量由负转正, 碳排放总效应产生突变. 在2022年, 又因“能耗双控”政策的作用, 社会各界对“生产结构”、“能源消耗”和“生活方式”的重视程度升温, 城市碳排放量增长受到限制. 改进生产方式、加强能源总量控制以及培养绿色生活观念成为这类城市碳减排的核心举措. 因此, 对于资源依赖型城市, 应强化总体产业布局、规划及引导, 加大绿色产业招商引资力度, 在加快经济增长的同时提升产业的绿色化程度[51]；深入推进水泥和陶瓷等重点碳排放行业低碳转型, 大力支持重点企业生产技术研发, 促进降本节能增效；倡导绿色消费观念, 加大节约型机关、绿色社区、绿色出行等绿色行动的宣传力度, 打造一批绿色行动优秀案例, 切实提高居民绿色生活水平.
2.2.3 传统耗能型城市从聚类结果来看, 广东省的阳江市、湛江市、汕尾市和茂名市属于传统耗能型城市, 贡献了全省近30%的碳排放量. 这些城市临海且发展较早, 产业多为重工业, 工业发展和能源消耗呈稳步增长趋势, 总体碳排放强度较大, 碳排放强度居高不下. 图 8为广东省传统耗能型城市的因素分解情况.
|
图 8 传统耗能型城市各影响因素的碳排放效应 Fig. 8 Carbon emission effect for influencing factors in traditional industrial cities |
根据近10 a的数据, “经济活动”、“生产结构”、“能源消耗”、“能源构成”、“人口规模”和“生活方式”都是传统耗能型城市碳排放量的促进因素, 仅有“社会福利”和“能源效率”两个因素提供了少量的负效应. 这说明传统耗能型城市无论在经济增长、工业制造还是居民生活上都存在巨大的减碳潜力. 在碳排放动因中“经济活动”、“能源构成”和“生活方式”的平均贡献率均超过25%. 到2022年, 由于“能耗双控”和“双碳”政策的进一步落实, 传统耗能型城市碳排放持续增长情况才有所改善. 对于传统耗能型城市, 应执行广而全的碳减排策略, 强化全行业的碳排放监督, 对于钢铁和炼油等重点行业严格执行碳排放总量和碳排放强度控制；加大招商引资力度, 优化传统支柱行业, 培育新兴主导性产业, 聚势蓄能打造新增长极, 加强重点企业和工商业建筑的能耗总量和能耗强度控制；倡导绿色生活理念[52], 鼓励政府机关、重点企事业单位和大型社区争先创优打造绿色生活, 持续推进节约型机关和绿色社区建设.
2.2.4 节能降碳型城市从聚类结果来看, 广东省共有8个资源依赖型城市, 分别是汕头市、佛山市、惠州市、江门市、肇庆市、潮州市、中山市和东莞市. 该类城市大多地处珠三角地区, 受粤港澳大湾区发展战略及“深圳-广州”辐射带动作用明显, 第二产业增加值得到大幅提升, 节能减碳措施也初见成效. 2022年, 佛山市和中山市的第二产业增加值达56.2%和49.4%. 图 9为广东省节能降碳型城市的因素分解情况.
|
图 9 节能降碳型城市各影响因素的碳排放效应 Fig. 9 Carbon emission effect for influencing factors in emission-reducing cities |
与资源依赖型城市类似, 节能降碳型城市近10 a碳排放的核心动因是“经济活动”、“能源消耗”和“生活方式”. 它们的平均贡献值分别为0.96、0.38和0.40. 值得注意的是, 节能降碳型城市大多地处珠三角地区, 毗邻深圳和广州等减排示范型城市, 受辐射带动作用明显. 受“双碳”目标和减排示范型城市建设经验的影响, 节能降碳型城市在2019年和2021年前后的影响因素发生较为明显的变化. 具体而言, 能源消耗的碳排贡献由正值转变成负值, 说明在2021~2022年间节能降碳型城市能源消耗“双控”工作开展颇具成效；能源结构的碳排贡献百分比由4.01%增长到55.23%, 说明提高清洁能源利用率是这类城市当前的迫切任务. 对于节能降碳型城市, 一方面要继续稳固节能减碳成果, 持续推进碳减排总量和强度控制工作；另一方面, 要大力发展清洁能源, 加强分布式光伏、储能、综合能源和智慧能源等能源产业布局, 因地制宜打造氢能和地热能示范基地.
3 结论（1）2013~2022年间广东省碳排放总量持续增长, 空间分布呈现明显的区域不平衡性. 其中, 珠三角地区的碳排放量贡献高达42.50%, 其次是粤西地区, 粤北地区碳排贡献最低.
（2）广东省各市在绿色发展、经济发展和工业发展方面表现各异, 大体可分为减排示范型、资源依赖型、传统耗能型和节能降碳型, 占比约为14.29%、28.57%、19.05%和38.09%. 其中, 深圳、广州和珠海隶属减排示范型城市, 在人均GDP方面处于绝对领先水平, 具有优渥的资金和政策支持, 节能减碳示范项目较多；云浮等6市属于资源依赖型城市, 经济发展缓慢, 迫切发展新兴产业；茂名等4市属于传统耗能型城市, 产业多为重工业, 能耗总量和能耗强度较大；佛山等8市属于节能降碳型城市, 地处珠三角地区和粤港澳大湾区核心地带, 受减排示范型城市带动作用明显.
（3）“经济活动”是广东省所有城市碳排放的驱动因素, “能源消耗”和“生活方式”是资源依赖型城市和传统耗能型城市碳排放的驱动因素；双碳目标提出后, “能源构成”成为了减排示范型城市和节能降碳型城市的驱动因素. 因此, 积极布局绿色产业、推进战略性新兴产业集群化发展成为广东省所有城市节能减碳的核心任务；紧抓能耗“双控”、倡导绿色生活观念是符合资源依赖型城市和传统耗能型城市发展现状的高效策略；提升清洁能源利用率成为减排示范型城市和节能降碳型城市的首要选择.
| [1] |
俞立平, 周朦朦, 张运梅. 基于政策工具和目标的碳减排政策文本量化研究[J]. 软科学, 2023, 37(10): 61-69. Yu L P, Zhou M M, Zhang Y M. Quantitative research on carbon emission reduction policy text based on policy tools and policy objectives[J]. Soft Science, 2023, 37(10): 61-69. |
| [2] | Liu Z, Deng Z, Davis S, et al. Monitoring global carbon emissions in 2022[J]. Nature Reviews Earth & Environment, 2023, 4(4): 205-206. |
| [3] |
宋璐璐, 熊小平, 陈伟强. 资源循环助推碳中和的路径[J]. 科技导报, 2022, 40(24): 5-13. Song L L, Xiong X P, Chen W Q. Reducing carbon emissions by recycling bulk materials: potentials and pathways[J]. Science & Technology Review, 2022, 40(24): 5-13. |
| [4] |
吴茂祯, 马雯嘉. 区域协调发展与碳减排双目标驱动下的政策效果研究——基于县域数据模糊断点的实证分析[J]. 中国软科学, 2022(S1): 108-120. Wu M Z, Ma W J. Research on the policy effect driven by the dual goals of regional coordinated development and carbon emission reduction[J]. China Soft Science, 2022(S1): 108-120. |
| [5] |
任松彦, 汪鹏, 林泽伟, 等. 面向碳中和目标的不同碳达峰时间对经济社会的影响研究——以广东省为例[J]. 生态经济, 2023, 39(5): 34-42, 117. Ren S Y, Wang P, Lin Z W, et al. Research on the economic and social impacts of different carbon peak times for carbon neutrality goals: taking Guangdong Province as an example[J]. Ecological Economy, 2023, 39(5): 34-42, 117. |
| [6] | Gui D W, He H G, Liu C M, et al. Spatio-temporal dynamic evolution of carbon emissions from land use change in Guangdong Province, China, 2000-2020[J]. Ecological Indicators, 2023, 156. DOI:10.1016/j.ecolind.2023.111131 |
| [7] |
丁乙, 尹剑, 姜洪涛, 等. 珠三角碳达峰系统动力学预测[J]. 环境工程, 2023, 41(7): 22-29. Ding Y, Yin J, Jiang H T, et al. System dynamics prediction of carbon peaking in Pearl River Delta[J]. Environmental Engineering, 2023, 41(7): 22-29. |
| [8] |
王霄, 李易熹, 许鸿伟, 等. 碳生产力区域发展差异及驱动因素: 广东省21个地级市实证[J]. 环境科学研究, 2023, 36(10): 2022-2030. Wang X, Li Y X, Xu H W, et al. Regional disparities in carbon productivity and driving factors: empirical evidence from 21 cities in Guangdong Province[J]. Research of Environmental Sciences, 2023, 36(10): 2022-2030. |
| [9] |
吴雅珍, 马啸天, 吴凯, 等. 经济增长与结构变化对亚洲国家碳排放与空气污染物排放的影响——基于KAYA、LMDI与SDA分解的驱动力分析[J]. 生态经济, 2023, 39(12): 191-205. Wu Y Z, Ma X T, Wu K, et al. Impact of economic growth and structural change on carbon and air pollutant emissions in Asian countries: analysis on driving force based on KAYA, LMDI, and SDA decomposition method[J]. Ecological Economy, 2023, 39(12): 191-205. |
| [10] |
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. |
| [11] | Xiao Y P, Ma D L, Zhang F T, et al. Spatiotemporal differentiation of carbon emission efficiency and influencing factors: from the perspective of 136 countries[J]. Science of the Total Environment, 2023, 879. DOI:10.1016/j.scitotenv.2023.163032 |
| [12] |
侯丽朋, 王琳, 钱瑶, 等. "双碳"目标下闽三角碳排放脱钩状态及驱动机制分析[J]. 生态学报, 2022, 42(23): 9663-9676. Hou L P, Wang L, Qian Y, et al. Decoupling status and driving mechanisms of carbon emissions in the Golden Triangle of Southern Fujian under "carbon peaking and neutrality" goals[J]. Acta Ecologica Sinica, 2022, 42(23): 9663-9676. |
| [13] |
陈文君, 廖一嘉, 周建力, 等. 机场大气污染物高时间分辨率排放清单计算方法研究[J]. 中国环境监测, 2022, 38(4): 217-226. Chen W J, Liao Y J, Zhou J L, et al. Study on calculation method of airport air pollution high temporal resolution emission inventory[J]. Environmental Monitoring in China, 2022, 38(4): 217-226. |
| [14] |
裴冰, 刘通浩, 杨文雨, 等. 典型燃煤电厂机组二氧化碳排放测试及核算研究[J]. 中国环境监测, 2023, 39(2): 225-231. Pei B, Liu T H, Yang W Y, et al. Study on determination and accounting of CO2 emission from typical coal-fired power plant[J]. Environmental Monitoring in China, 2023, 39(2): 225-231. |
| [15] |
郭振, 王小龙, 任健, 等. 二氧化碳排放连续在线监测过程的模拟与不确定度评定[J]. 计量学报, 2022, 43(1): 120-126. Guo Z, Wang X L, Ren J, et al. Simulation and uncertainty evaluation of continuous on-line monitoring process of carbon dioxide emission[J]. Acta Metrologica Sinica, 2022, 43(1): 120-126. DOI:10.3969/j.issn.1000-1158.2022.01.19 |
| [16] |
王霂晗. 火电厂碳排放监测体系与核算方法的研究[D]. 南京: 南京信息工程大学, 2020. Wang M H. Research on carbon emission monitoring system and accounting method of thermal power plant[D]. Nanjing: Nanjing University of Information Science & Technology, 2020. |
| [17] |
崔传智, 李安慧, 吴忠维, 等. 基于物质平衡方程的CO2理论构造埋存量计算新方法[J]. 特种油气藏, 2023, 30(1): 74-78. Cui C Z, Li A H, Wu Z W, et al. A new method for calculating the theoretical tectonic CO2 storage volume based on material balance equation[J]. Special Oil & Gas Reservoirs, 2023, 30(1): 74-78. DOI:10.3969/j.issn.1006-6535.2023.01.010 |
| [18] |
章政文, 顾津锦, 赵俊华, 等. 基于碳卫星与电力排放数据的碳计量[J]. 电力系统自动化, 2024, 48(1): 2-9. Zhang Z W, Gu J J, Zhao J H, et al. Carbon measurement based on carbon satellite and electricity emission data[J]. Automation of Electric Power Systems, 2024, 48(1): 2-9. |
| [19] | Shi J Y, Tang H Q, Zhou Q X, et al. High frequency measurement of carbon emissions based on power big data: a case study of Chinese Qinghai province[J]. Science of the Total Environment, 2023, 902. DOI:10.1016/j.scitotenv.2023.166075 |
| [20] |
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. |
| [21] | Paik C H, Yoo J H, Kim H G. Survey study on basic procedures for establishment of national greenhouse gas inventory (IPCC Guidelines)[J]. IE Interfaces, 2009, 22(4): 317-328. |
| [22] |
郭艺, 张鹏飞, 葛力铭, 等. 长江经济带电力碳排放时空变化及影响因素——基于区域和产业视角[J]. 中国环境科学, 2023, 43(3): 1438-1448. Guo Y, Zhang P F, Ge L M, et al. The spatio-temporal variation and influencing factors of electricity-related carbon emissions in the Yangtze River Economic Belt from the region and industry perspectives[J]. China Environmental Science, 2023, 43(3): 1438-1448. DOI:10.3969/j.issn.1000-6923.2023.03.045 |
| [23] |
光峰涛, 李琳, 洪水峰. 中国碳生产率动态演进规律与驱动因素研究[J]. 软科学, 2023, 37(12): 49-56. Guang F T, Li L, Hong S F. Dynamic evolution of carbon productivity in China and driving factors[J]. Soft Science, 2023, 37(12): 49-56. |
| [24] |
杨清可, 王磊, 朱高立, 等. 中国城市碳排放强度的时空演变、动态跃迁及收敛趋势[J]. 环境科学, 2024, 45(4): 1869-1878. Yang Q K, Wang L, Zhu G L, et al. Spatio-temporal evolution, dynamic transition, and convergence trend of urban carbon emission intensity in China[J]. Environmental Science, 2024, 45(4): 1869-1878. |
| [25] | Zhao X C, Li T W, Duan X. Spatial and temporal evolution of urban carbon emission efficiency in China[J]. Environmental Science and Pollution Research, 2023, 30(53): 114471-114483. DOI:10.1007/s11356-023-30389-9 |
| [26] |
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. |
| [27] | Zheng Y M, Fan M L, Cai Y L, et al. Spatio-temporal pattern evolution of carbon emissions at the city-county-town scale in Fujian Province based on DMSP/OLS and NPP/VIIRS nighttime light data[J]. Journal of Cleaner Production, 2024, 442. DOI:10.1016/j.jclepro.2024.140958 |
| [28] |
郭芳, 王灿, 张诗卉. 中国城市碳达峰趋势的聚类分析[J]. 中国环境管理, 2021, 13(1): 40-48. Guo F, Wang C, Zhang S H. Cluster analysis of carbon emissions peaking trends in Chinese cities[J]. Chinese Journal of Environmental Management, 2021, 13(1): 40-48. |
| [29] |
谢玉慧, 郭凤佳, 张倩, 等. 济南市工业化石能源消费碳排放与经济增长脱钩水平及驱动因素分析[J]. 环境污染与防治, 2023, 45(10): 1467-1472. Xie Y H, Guo F J, Zhang Q, et al. Decoupling level and driving factors of fossil energy consumption based industrial carbon emissions and economic growth in Jinan[J]. Environmental Pollution & Control, 2023, 45(10): 1467-1472. |
| [30] |
刘晨曦, 支小军, 孙雪英. 新疆工业碳排放因素分解——基于GDIM模型的实证研究[J]. 地域研究与开发, 2023, 42(4): 125-129, 142. Liu C X, Zhi X J, Sun X Y. Decomposition of industrial carbon emission factors in Xinjiang: a case study based on Generalized Dirichlet Index method[J]. Areal Research and Development, 2023, 42(4): 125-129, 142. |
| [31] |
狄乾斌, 陈小龙, 苏子晓, 等. 海洋渔业碳排放效率的时空演变及影响因素——以北部海洋经济圈为例[J]. 生态经济, 2024, 40(2): 109-116. Di Q B, Chen X L, Su Z X, et al. Analysis on spatial-temporal evolution and influencing factors of carbon emission efficiency of marine fisheries: an analysis of China's Northern Marine Economic Circle[J]. Ecological Economy, 2024, 40(2): 109-116. |
| [32] | Li X J, Lin C X, Lin M C, et al. Drivers, scenario prediction and policy simulation of the carbon emission system in Fujian Province (China)[J]. Journal of Cleaner Production, 2024, 434. DOI:10.1016/j.jclepro.2023.140375 |
| [33] |
罗芳, 郭艺, 魏文栋. 长江经济带碳排放与经济增长的脱钩关系——基于生产侧和消费侧视角[J]. 中国环境科学, 2020, 40(3): 1364-1373. Luo F, Guo Y, Wei W D. Decoupling analysis between economic growth and carbon emissions in the Yangtze River Economic Belt——production and consumption perspectives[J]. China Environmental Science, 2020, 40(3): 1364-1373. DOI:10.3969/j.issn.1000-6923.2020.03.047 |
| [34] | Li W, An C L, Lu C. The assessment framework of provincial carbon emission driving factors: an empirical analysis of Hebei Province[J]. Science of the Total Environment, 2018, 637-638: 91-103. |
| [35] | Lin C X, Li X J. Carbon peak prediction and emission reduction pathways exploration for provincial residential buildings: evidence from Fujian Province[J]. Sustainable Cities and Society, 2024, 102. DOI:10.1016/j.scs.2024.105239 |
| [36] |
陈亮, 张楠, 王一帆, 等. 京津冀地区碳排放强度变化驱动因素及归因分析[J]. 中国环境科学, 2023, 43(8): 4382-4394. Chen L, Zhang N, Wang Y F, et al. Driving factors and attribution analysis of carbon emission intensity change in Beijing-Tianjin-Hebei region[J]. China Environmental Science, 2023, 43(8): 4382-4394. |
| [37] | Meng Q X, Zheng Y N, Liu Q, et al. Analysis of spatiotemporal variation and influencing factors of land-use carbon emissions in nine provinces of the Yellow River Basin based on the LMDI model[J]. Land, 2023, 12(2). DOI:10.3390/land12020437 |
| [38] |
苗安康, 袁越, 吴涵, 等. 中国省域碳达峰路径与政策[J]. 环境科学, 2023, 44(8): 4623-4636. Miao A K, Yuan Y, Wu H, et al. Pathway and policy for China's provincial carbon emission peak[J]. Environmental Science, 2023, 44(8): 4623-4636. |
| [39] |
于波, 余涛, 王晓瑜, 等. 宁夏电力行业碳排放驱动因素及脱钩效应研究——基于广义迪氏指数模型[J]. 环境污染与防治, 2023, 45(11): 1608-1611. Yu B, Yu T, Wang X Y, et al. Research on carbon emission driving factors and decoupling effect of Ningxia electric power industry: based on generalized Divisia index model[J]. Environmental Pollution & Control, 2023, 45(11): 1608-1611. |
| [40] |
陈海红, 李鹏程, 王中航. GB/T 2589-2020《综合能耗计算通则》国家标准解读[J]. 标准科学, 2021(12): 107-111. Chen H H, Li P C, Wang Z H. Interpretation of National Standard GB/T 2589-2020, General rules for calculation of the comprehensive energy consumption[J]. Standard Science, 2021(12): 107-111. |
| [41] |
庄贵阳, 白卫国, 朱守先. 基于城市电力消费间接排放的城市温室气体清单与省级温室气体清单对接方法研究[J]. 城市发展研究, 2014, 21(2): 49-53. Zhuang G Y, Bai W G, Zhu S X. A study on linking method of city's GHGs inventory with provincial GHGs inventory based on city's indirect emissions of electricity consumption[J]. Urban Development Studies, 2014, 21(2): 49-53. |
| [42] | 李娜, 张广来, 张宁. 中国城市韧性水平综合评价及区域异质性分析[J]. 统计与决策, 2023, 39(19): 117-120. |
| [43] | Li W Y, Dong F G, Ji Z S. Evaluation of carbon emission efficiency and reduction potential of 336 cities in China[J]. Journal of Cleaner Production, 2023, 428. DOI:10.1016/j.jclepro.2023.139372 |
| [44] | Lee C C, Zhao Y N. Heterogeneity analysis of factors influencing CO2 emissions: the role of human capital, urbanization, and FDI[J]. Renewable and Sustainable Energy Reviews, 2023, 185. DOI:10.1016/j.rser.2023.113644 |
| [45] |
谭琦璐, 郭敏晓. 城市能源消费侧减污降碳协同分类施策路径——基于我国102个地级市数据的聚类分析[J]. 中国环境科学, 2023, 43(S1): 336-346. Tan Q L, Guo M X. Study on classified governance for urban co-effects of carbon and pollution emissions reduction[J]. China Environmental Science, 2023, 43(S1): 336-346. |
| [46] | Li Z H, Wu H W, Wu F. Impacts of urban forms and socioeconomic factors on CO2 emissions: a spatial econometric analysis[J]. Journal of Cleaner Production, 2022, 372. DOI:10.1016/j.jclepro.2022.133722 |
| [47] | Cheng S L, Fan W, Zhang J, et al. Multi-sectoral determinants of carbon emission inequality in Chinese clustering cities[J]. Energy, 2021, 214. DOI:10.1016/j.energy.2020.118944 |
| [48] | Shen C F, Zhang J, Pang J F, et al. Study on industrial carbon emissions in China based on GDIM decomposition method and two decoupling effects[J]. Environmental Science and Pollution Research, 2024, 31(10): 15648-15670. |
| [49] |
王雅娴. 中国火电行业碳排放和总碳强度减排问题研究[D]. 北京: 华北电力大学(北京), 2020. Wang Y X. Research on the reduction of CO2 emission and aggregate carbon intensity in China's thermal electricity generation[D]. Beijing: North China Electric Power University (Beijing), 2020. |
| [50] | Xu A T, Song M Y, Wu Y G, et al. Effects of new urbanization on China's carbon emissions: a quasi-natural experiment based on the improved PSM-DID model[J]. Technological Forecasting and Social Change, 2024, 200. DOI:10.1016/j.techfore.2023.123164 |
| [51] | Zhang Y J, Lan M H, Zhao Y P, et al. Regional carbon emission pressure and corporate green innovation[J]. Applied Energy, 2024, 360. DOI:10.1016/j.apenergy.2024.122625 |
| [52] |
高晨琦, 孙英杰, 卞荣星, 等. 碳达峰碳中和视角下中国"无废城市"建设问题及对策[J]. 环境污染与防治, 2023, 45(9): 1312-1315, 1320. Gao C Q, Sun Y J, Bian R X, et al. The problem and countermeasure for "zero-waste city" construction from the perspective of carbon peak and carbon neutralization[J]. Environmental Pollution & Control, 2023, 45(9): 1312-1315, 1320. |