2025, Vol. 46
2. 江西师范大学鄱阳湖湿地与流域研究教育部重点实验室, 南昌 330022;
3. 中国科学院南京地理与湖泊研究所, 南京 210008;
4. 江西省鄱阳湖流域生态水利技术创新中心, 南昌 330029
2. Key Laboratory of Poyang Lake Wetland and Watershed Research, Ministry of Education, Jiangxi Normal University, Nanchang 330022, China;
3. Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 210008, China;
4. Jiangxi Provincial Technology Innovation Center for Ecological Water Engineering in Poyang Lake Basin, Nanchang 330029, China
水资源、能源和碳排放三者密切相关, 相互影响[1]. 水资源的提取、净化、输送、利用和回用等全生命周期过程都离不开能源的消耗[2]. 此外, 能源消费以及水循环过程都会导致温室气体排放, 这不仅构成了直接碳排放的来源, 也间接地推动了碳排放的增长[3]. 中国不仅是全球增长速度最快的经济体之一, 也是最大的水、能源消费国和碳排放国之一[4]. 中国政府在2020年提出了“双碳”目标, 这标志着中国正面临着巨大的碳减排压力与责任[5]. 有研究表明, 城市水资源在其生命周期内产生的碳排放量约占城市总碳排放量的12%[6]. 相较于城市水系统碳排放, 区域水系统碳排放过程更为复杂和多样化. 因此, 深入探究区域水资源在其生命周期中的碳排放动态, 对于推动中国实现“双碳”目标具有重要的实践意义和价值.
区域“水-能-碳”关联起源于“水-能”关联研究, Wilkinson率先对美国加利福尼亚州的水资源在其全生命周期内与能源之间的关联进行了深入研究, 并进一步探讨了不同用水情景下的节能潜力[7]. 由于水、能源和碳排放之间紧密联系和相互制约, 为了深入研究“水-能”关联中的碳排放问题, 学者们开始将“碳”要素引入“水-能”耦合研究中, 构建了“水-能-碳”耦合关系[8~10]. 其中, 水系统碳排放研究是“水-能-碳”耦合分析的核心议题之一.
当前水系统碳排放的研究主要集中在3个层面. 其一是不同城市水系统碳排放的核算和分析, 涉及彭蒂克顿（Penticton）[11]、郑州[12]和奥斯陆（Oslo）[13]等城市. 例如, 赵荣钦等[12]对郑州市2008~2017年的水系统碳排放量进行了核算和实证分析, 建议未来应重点关注城市工业和生活的节水措施以及水处理技术的改进；Gui等[14]分析了2021年义乌市水系统的碳排放特征, 并强调为了实现城市“节水减碳”的协调发展, 未来的工作应集中于提升城市生活和工业用水的再生水回用率、减少供水管网的漏损；Valek等[15]评估了墨西哥城2004~2015年的水系统碳排放量, 并探讨了3种节水方案对减少能源和二氧化碳排放量的影响；其二是水系统核心环节的碳排放核算和分析, 包括工业用水[16]、农田灌溉用水[17]、废水处理[18]以及地表水供应[19]等环节. 通过核算这些环节的碳排放量, 学者们深入分析了水系统碳排放的来源和影响因素, 为制定精准有效的水资源可持续管理策略和碳减排措施提供了重要依据. 例如, Qin等[20]对全球灌溉的能源消耗量和碳排放量进行了测算, 并评估了采用高效和低碳灌溉技术的节能和减碳潜力, 有助于评价灌溉在增强农业适应能力方面的作用；其三是水系统及其关键环节碳排放的情景预测. 情景分析法因其能有效预测未来不同发展模式下的碳排放变化趋势, 在近年来的碳排放预测研究中得到了广泛应用[21~23]. 在水系统碳排放情景预测方面, 学者们主要使用“投入-产出”法[24]、系统动力学[11]和全生命周期评价[25]等方法, 对多个城市的水系统碳排放总量进行预测. 例如, 赵荣钦等[12]基于“水-能-碳”关联特征探讨了2018~2040年3种排放情景下的郑州市水系统碳排放总量的变化, 结果显示, 未来不同低碳情景下的排放量与水、能资源约束程度有关, 高度低碳情景下的水系统碳排放量最少；Tan等[19]利用系统动力学模型研究了2021~2036年不同情景下北京市供水系统碳排放量的变化趋势, 研究发现, 在经济快速增长情景下, 2036年的碳排放量将达到最高, 这与用水需求量的激增和环境污染的加剧密切相关.
尽管现有研究已经对水系统及其关键环节的碳排放进行了探讨, 但针对水资源丰富的区域, 尤其是浙江省, 其水系统碳排放特征的研究尚未得到充分关注. 这限制了对丰水地区水资源全生命周期碳排放过程的深入理解. 此外, 社会经济因素在水资源全生命周期的碳排放量变化中起着决定性作用[26]. 然而, 现有研究较多聚焦于水、能源和碳排放之间的内在联系, 忽视了社会经济因素在不同用水环节中的差异化作用. 本研究将社会经济因素纳入不同用水环节的碳排放量情景预测模型中, 旨在为水资源管理和碳排放控制策略的制定提供理论依据和实践指导. 进一步地, 本研究将水系统碳排放与区域社会经济政策、资源环境保护目标相结合, 提出了一个基于“水-能-碳”关联的区域水资源生命周期碳排放分析框架, 以期实现对区域水系统碳排放的有效管理.
本文基于“水-能-碳”之间的内在关联, 深入分析浙江省2011~2021年水资源全生命周期中的碳排放动态. 利用STIRPAT模型, 并结合浙江省“十四五”规划中的社会经济政策目标, 预测不同发展情景下浙江省未来用水系统的碳排放趋势. 本研究旨在探索实现水系统碳减排的有效路径和策略, 以期为区域优化水资源管理、推动绿色低碳发展提供科学依据和决策支持.
1 材料与方法 1.1 水资源全生命周期碳排放的分析框架水资源全生命周期包括水资源的供给、处理、利用、排放和回用的循环过程, 也称为水系统. 本文构建了一个基于“水-能-碳”关联的水资源生命周期碳排放分析框架（图 1）.
|
图 1 基于“水-能-碳”关联的区域水资源生命周期碳排放分析框架 Fig. 1 Analysis framework for regional water lifecycle carbon emission based on the water-energy-carbon nexus |
水系统碳排放主要源自取水、给水、用水和排水等环节中的直接和间接能源消耗[12, 14, 27~29]. 其中：①取水系统包括蓄水工程、调水工程、提水工程和再生水回用供水过程, 其碳排放主要来源于蓄水、输送水、地下提水和污水回用所需的能源和电力消耗. ②给水系统包括制水和配水环节. 其碳排放主要来源于水厂制水及配水过程中所消耗的能源和电力. ③用水系统包括农田灌溉、工业、居民生活、公共生活用水. 其碳排放主要来源于用水过程中消耗的能源和电力. 其中农田灌溉能耗主要来自于灌溉过程中所需的能源；工业用水能耗主要包括火力发电中的锅炉加热用水、循环冷却用水以及一般工业中的循环冷却系统用水所消耗的能源；生活用水能耗涵盖了加热耗能（如饮用水加热、烹饪、洗浴等）和机械耗能（如洗衣机等设备的用水能耗）；而公共生活用水能耗则主要来自办公、食堂、宿舍和浴室等场所的用水加热过程. ④排水系统碳排放主要来自污水处理过程中的能源和电力消耗.
能源强度和电力碳排放系数不变情况下, 水系统碳排放主要由水资源生命周期过程所需水量决定. 为了有效管理和减少水系统碳排放量, 需要对水系统中各环节的用水量进行精准调控. 以社会经济发展政策为导向, 水资源利用、能源消费和碳排放控制目标为约束条件, 通过STIRPAT模型设置水资源、能源、碳排放和经济等变量的不同发展情景, 预测未来浙江省用水系统的碳排放量, 以实现区域碳减排目标和水资源的可持续利用.
1.2 数据来源本文采用的水资源数据, 包括蓄水量、提水量、调水量和用水量等, 来源于2011~2021年《浙江省水资源公报》《中国城乡建设统计年鉴》；社会经济数据, 包括人口、GDP和城镇化率等, 来源于2012~2022年《中国统计年鉴》《浙江统计年鉴》；能源电力相关数据取自2012~2022年《中国能源统计年鉴》. 电力碳排放系数参考《城镇水务系统碳排放核算与减排路径技术指南》[30], 适用于东部地区. 能源强度及相应参数由于获取相对复杂, 来源于文献[29, 31~36], 该部分数据在现有水系统碳排放研究[6, 14, 17, 28, 29]中被广泛应用. 其中, 蓄水工程供水、给水系统与居民生活用水能源强度及相应环节参数为浙江省通用数据, 调水工程供水、再生水回用供水、制水、农田灌溉用水、公共生活用水与污水处理能源强度及相关环节参数为全国通用数据.
1.3 水系统碳排放核算方法基于水系统碳排放理论[12, 14, 20, 27, 28]和水系统碳排放研究框架（图 1）, 建立了浙江省水系统碳排放核算体系. 该方法通过计算水系统各环节水量、单位水量能源强度及电力排放系数的乘积得到碳排放量, 体现了水系统碳排放的产生过程, 即耗水通过消耗能源间接排放二氧化碳. 具体如下.
取水系统碳排放公式[6, 12, 14, 27, 32]为：
|
(1) |
式中, Ci为水系统中取水系统第i个环节的碳排放量（万t）, 包括蓄水工程、调水工程和再生水回用供水环节；Qi为相应环节的供水量（×107 m3）；Wi为相应环节的能源强度, 其中, 蓄水工程供水取0.14 kW·h·m-3[31]、调水工程供水取0.004 5 kW·h·m-3[32]、再生水回用供水取0.82 kW·h·m-3[32]；EFCO2为电力排放系数, 取值0.792 1 kg·（kW·h）-1[30].
|
(2) |
|
(3) |
式中, Cg和Cu分别为地表水和地下水提水碳排放量（万t）；g为重力加速度, 取值9.8 m·s-2[6]；hg和hu分别为浙江省地表水和地下水提水扬程[31, 32]（m）；Q为提水量（×107 m3）；ρ为水的密度, 取值1×103 kg·m-3[6]；n为泵站效率, 取值0.75[6].
|
(4) |
式中, Cj为给水系统第j个环节的碳排放量（万t）, 包括制水和配水环节；Qj为相应环节的给水量（×107 m3）；Wj为相应环节的能源强度, 其中, 制水取0.3 kW·h·m-3[29]、配水取0.334 kW·h·m-3[32].
用水系统碳排放核算公式[12, 14, 20, 28, 36]为：
|
(5) |
式中, Ck为用水系统第k个环节的碳排放量（万t）, 包括农田灌溉用水、居民生活用水和公共生活用水环节；Qk为相应环节的用水量（×107 m3）；Wk为相应环节的能源强度, 其中, 农田灌溉用水取0.336 kW·h·m-3[12, 35]、居民生活用水取16.12 kW·h·m-3[33]和公共生活用水取11.60 kW·h·m-3[6, 36].
|
(6) |
式中, Ce为工业用水碳排放量（万t）；Me为火力发电用水量（×107 m3）；Δt为加热温度, 取Δt=375℃[36]；c为水的比热容, 取值4.2 kJ·（kg·℃）-1[36]；n1为火力发电用水效率, 取值0.75[36]；G为火力发电量；α为循环冷却系统水泵耗电效率, 取值1.55%[36]；Wc为一般工业循环用水量（×107 m3）, 为工业用水量的70%[34]；Y为循环1 m3水的耗电量, 取值6.4 kW·h·m-3[36]；n2为循环冷却系统运行效率, 取值0.5[36].
排水系统碳排放核算公式[12]为：
|
(7) |
式中：Cd为排水系统碳排放量（万t）；Qd为污水处理量（×107 m3）；Wd为污水处理能源强度, 取0.25 kW·h·m-3[29].
1.4 STIRPAT模型STIRPAT模型能够有效量化人口、环境、经济和技术等因素变化对环境产生的独立影响. 由于其强大的拓展性, 该模型已成为研究碳排放驱动因素和情景预测的重要方法[37~39].
由于用水系统碳排放量占比超过95%, 且更易受政策等外部因素的影响. 因此, 本文采用用水系统的碳排放量表征浙江省水系统碳排放量, 将用水系统各环节碳排放量作为因变量, 选取相关影响因子, 探究其驱动作用和未来变化. 根据Kaya恒等式[40], 碳排放量受多种因素影响, 包括人口、人均GDP和单位GDP能耗（即能源强度）等. 有研究已证实, 人口、人均GDP、城镇化率、产业结构、能源强度和能源结构是影响碳排放的关键因素, 且这些因素都对碳排放量具有显著的影响[38, 39, 41]. 类似地, 在各用水环节的影响因素研究中[42~44], 经济发展水平、人口规模、生产技术水平和用水强度等因素也被证明与各环节用水量紧密相关. 由于用水系统的碳排放主要由用水量耗能产生, 本文选取人口、城镇化率、人均GDP、用水强度、能源强度、碳排放强度、用水结构、能源结构和产业结构作为用水系统碳排放的影响因素, 构建扩展STIRPAT模型. 根据STIRPAT模型结果的显著性筛选出水系统各环节碳排放具体影响因素, 其最终模型如下：
|
(8) |
式中, I为用水系统碳排放量；b~j均为弹性系数；P、U、PG、WI、ES、WS、IS和CI分别为：人口（万人）、城镇化率（%）、人均GDP（万元）、用水强度（m3·万元-1）、能源结构（煤炭消费/能源消费总量）、用水结构、产业结构和碳排放强度（kg·万元-1）；ε为随机误差项.
2 结果与分析 2.1 浙江省水系统碳排放特征分析利用公式（1）~公式（7）核算2011~2021年浙江省水系统碳排放量（图 2）.
|
图 2 2011~2021年浙江省水系统碳排放 Fig. 2 Carbon emissions from the water system in Zhejiang from 2011 to 2021 |
浙江省取水系统的碳排放总量呈现出波动变化的特点, 见图 2（a）. 在2011~2021年间, 除2017年、2020年和2021年外, 蓄水工程碳排放量呈现出下降趋势, 总计减少了19.61万t. 同时, 除2013年外, 提水工程碳排放量也持续减少, 共减少7.40万t. 再生水回用碳排放量变化较为不稳定, 其碳排放量2021年与2011年相比上升了1 309.79%. 2020年和2021年取水系统碳排放量的上升可能与疫情导致的蓄水量增加有关[45, 46]. 总体而言, 在取水系统中, 蓄水工程是主要的碳排放源. 然而, 近年来, 再生水回用的碳排放量及其在总排放量中的占比迅速增长, 已成为仅次于蓄水工程的第二大碳排放源. 这表明, 蓄水工程和再生水回用是取水系统中关键的碳减排环节, 应成为未来水资源管理和优化的重点.
2.1.2 给水系统碳排放本研究期内, 浙江省给水系统中的制水和配水过程所产生的碳排放量均呈现出显著的增长趋势, 见图 2（b）. 其中, 制水过程和配水过程碳排放量分别增加了45.98万t和51.20万t. 与2011年相比, 2021年的给水系统碳排放总量上升了70.73%. 此外, 配水过程的碳排放量占比为52.68%, 略高于制水过程（47.32%）, 主要原因是自来水单位配水能耗大于单位制水能耗. 尽管给水系统在水系统中的碳排放量占比相对较小, 但随着人口增长和城市扩张, 未来给水系统的碳排放量预计将持续增加, 这将对碳减排工作构成严峻挑战.
2.1.3 用水系统碳排放2011~2012年和2020~2021年浙江省用水系统碳排放量分别上升了2.76%和5.37%, 主要由居民和公共生活用水量上升主导, 见图 2（c）. 2012~2020年用水系统碳排放量下降了12.37%, 由工业用水量减少所主导. 根据浙江省水资源公报, 农田灌溉用水量在用水系统中占比最高. 然而, 由于其单位能源强度相对较小, 其在用水系统碳排放量中所占比例远低于其他用水环节, 年均占比仅为2.03%. 由于工业部门的单位能源强度和用水量均处于较高水平, 2011~2017年间, 工业用水在用水系统各部门的碳排放量中占比最高. 此外, 研究期内, 工业用水量的下降与居民和公共生活用水量的上升共同影响了用水系统碳排放结构, 表现为工业用水碳排放量占比降低, 而居民和公共生活用水碳排放量占比升高. 这表明, 未来用水系统碳减排的关键在于提高居民和公共生活用水的效率和降低其碳排放强度.
2.1.4 排水系统碳排放在2011~2021年间, 由于经济的快速发展和城市化进程的推进, 污水排放量逐年增加, 浙江省污水处理系统的碳排放量显著上升, 从36.12万t增加到75.02万t, 年均增长率为7.64%, 见图 2（d）. 这凸显了浙江省在污水处理过程中面临的碳排放挑战, 需要寻求有效的减排措施和可持续发展路径.
2.1.5 浙江省水系统碳排放总体特征本研究期内, 浙江省水系统碳排放量整体呈“上升-下降-上升”趋势（图 3）, 其在2011~2012年和2020~2021年间分别增加了268.77万t和488.84万t, 2012~2020年间下降了1 137.16万t, 见图 3（c）. 用水系统在水系统碳排放量中占比达95%以上, 图 3（a）. 2021年用水系统碳排放量占比相较于2011年略有下降, 由图 2可知, 这主要由于用水系统碳排放量的下降及给水系统和排水系统碳排放量的上升导致. 从年平均占比来看, 取水、给水和排水系统的碳排放量仅占3.5%, 而工业和居民生活用水碳排放量则是浙江省水系统碳排放量的主要来源, 占比高达78.6%, 图 3（b）. 因此, 水系统碳减排的关键在于促进用水系统碳减排.
|
图 3 2011~2021年浙江省水系统碳排放总量及占比 Fig. 3 Total and proportion of carbon emissions from the water system in Zhejiang from 2011 to 2021 |
如图 3（a）所示, 浙江省用水系统产生的碳排放量占水系统总碳排放量的95%以上. 对比图 2（c）与图 3（c）可知, 水系统碳排放量的整体变化趋势与用水系统碳排放量的变化有着密切的联系. 因此, 为了减少水系统碳排放量, 必须有效管理和优化用水系统碳排放. 本文基于2011~2021年各用水环节碳排放量和影响因子的历史数据, 采用STIRPAT模型对浙江省用水系统碳排放量进行预测, 来间接反映水系统碳排放量的总体变化趋势. 首先, 对用水系统各环节影响因子进行共线性检验, 结果显示, 各影响因子间存在严重的共线性, 各因素的方差膨胀因子均远超过10. 为克服影响因素间的共线性问题, 运用岭回归方法, 计算各影响因子的贡献率, 并剔除未通过显著性检验的因子, 最终得出用水系统各环节碳排放量与各影响因子间的回归方程. 由表 1可知, 各用水环节碳排放量预测值与实际值的拟合效果较好, 拟合优度（R2）均高于0.8, 且均在0.05显著水平上通过F检验.
|
表 1 STIRPAT模型回归结果1） Table 1 STIRPAT regression model results |
由驱动因子贡献率可知（图 4）, 人口和城镇化率是用水系统碳排放的关键驱动因子. 但根据STIRPAT模型回归结果, 浙江省用水系统碳排放的驱动因子对不同用水环节碳排放的影响存在差异化作用. 因此, 仅通过控制人口或城镇化率来调控不同用水环节的碳排放量, 可能会限制用水系统整体的碳减排效果. 例如, 城镇化率减少1%, 虽然能使公共生活用水碳排放量和居民生活用水碳排放量分别减少0.709%和0.172%, 但也会引起工业用水碳排放量和农田灌溉用水碳排放量分别增加0.447%和0.171%, 导致其对整个用水系统减排的整体效益有所降低. 此外, 人均GDP与用水结构为公共生活用水碳排放的主导因素, 回归系数分别为0.293和0.349, 能源结构和产业结构为工业用水碳排放的主要驱动力, 回归系数分别为0.254和0.373, 这些因素共同影响着用水系统碳排放总量. 因此, 在制定碳减排措施时, 需全面考虑这些因素的协同作用, 以实现最佳的减排效果. 一方面, 需考虑不同用水环节之间的差异, 精确调控关键变量, 确保减碳措施能够发挥最大效能. 另一方面, 必须从系统的角度全面评估和考量各种影响因素对用水系统碳排放的作用, 以实现整体减碳效益最大化.
|
虚线表示负向作用, 实线表示正向作用, 红色线条表示主要影响因子作用 图 4 用水系统碳排放驱动因子贡献率 Fig. 4 Contribution rate of carbon emission drivers in water use system |
根据2011~2021年浙江省用水系统碳排放量核算结果和影响因子数据, 结合STIRPAT模型得出的影响因素贡献率, 并参考文献[39, 41], 设置7种发展情景（表 2）. 由于各用水系统的影响因素不同, 其具有不同的发展情景. 其中S1、S6和S7中各变量分别设置为中、低和高3种模式；S2和S3中, 与用水、能耗有关的变量设置为低；S4中, 与用水和能耗有关的变量均设置为低；S5中, 与用水、能耗和碳排放有关的变量均设置为低.
|
|
表 2 情景设置 Table 2 Scenario settings |
本文以2021年为预测基准年, 根据表 2中不同情景模式的设置, 设定2022~2040年具体情景模式的参数（表 3）. 表 3中参数以中等发展速度完成政策目标为前提（即碳排放量在基准情景下, 各因子均完成了对应政策目标）, 依据浙江省资源环境和社会经济规划文件, 设定各因素的发展速率, 并参考文献[39, 41], 设置同一变量的不同发展增量, 各情景具体参数设置的依据如下：
|
|
表 3 不同情景模式参数设定 Table 3 Parameter settings for different scenarios |
人口（P）：浙江省统计局《浙江省人口结构及其变化趋势分析》指出, 预计浙江省未来10 a常住人口总量继续保持增长；少子化和老龄化趋势加剧. 同时, 文献[47]指出, 目前浙江省总人口的年增长速度为0.6%. 因此设置人口初始增长速度为0.6%, 增长速度随时间变缓. 中等发展模式下, 2031~2035年人口增长速度为0%, 而后呈现出负增长趋势.
城镇化率（U）：《浙江省新型城镇化发展“十四五”规划》中提出, 到2025年, 浙江省城镇化率达75%左右, 力争2035年常住人口城镇化率达80%左右. 将3种发展速度均设置为完成2025年目标的速率, 而低速发展模式下不能完成2035年目标的增长速度. 此外, 由于人口增长速度放缓, 城镇化率的增长速度也将减缓. 综合考虑历年城镇化率的增长水平设置具体数值.
人均GDP（PG）：根据《浙江省国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》, 浙江省力争2035年GDP和人均GDP比2020年“翻一番”. 由GDP、人口和人均GDP发展目标计算得出人均GDP的初始增长速度, 并参考文献[41], 设置发展速度的变化值.
用水强度（WI）：《浙江省循环经济发展“十四五”规划》提出, 2025年浙江省万元GDP用水量相比于2020年下降率目标为16%, 据此, 将基线时间段的参数设定为实现此目标所需的条件. 考虑到经济由高速发展转变为高质量发展, 因此, 万元GDP用水量下降率将逐渐变缓, 由此可设定基线时间段之后年份的具体参数.
能源消费结构（ES）：《浙江省煤炭石油天然气发展“十四五”规划》指出, 2025年浙江省煤炭在一次能源消费结构中占比下降至31.3%. 根据能源消费结构年均增长速度推算其发展初始值（中）, 并参考文献[39], 设定具体发展速度.
用水结构（WS）：表中所示发展情景为居民生活用水与用水总量之比, 初始发展速度（中）由2017~2021年居民生活用水和用水总量的年均变化得出. 公共生活用水碳排放（因变量）中的用水结构由上述同样的方式得出, 其3种发展模式（低、中和高）的初始值分别为3.83%、4.23%和4.63%, 并且其增长率随各时间段（表 3）依次递减0.2%.
产业结构（IS）：表中所示发展情景为第一产业GDP占比, 其具体发展水平由2017~2021年第一产业GDP占比年均增长率得出, 设为中等发展水平, 其余发展水平依次类推. 第二产业GDP占比的增长速率变化值参考文献[39].
碳排放强度（CI）：根据《浙江省应对气候变化“十四五”规划》和浙江省“双碳”目标, 2025年浙江省单位GDP碳排放比2020年下降18%, 由此得出初始发展数值（中）, 并参照文献[41]的增长速度, 设置其余年份的具体增长率.
2.4 用水系统碳排放情景预测结果结合表 2和表 3所设情景, 通过表 1回归方程, 得出2022~2040年浙江省用水系统碳排放情景预测结果. 如图 5所示, 不同情景下农田灌溉用水碳排放量和工业用水碳排放量均呈现出稳定下降的变化趋势；而居民生活用水碳排放量和除低碳情景（S6）外的公共生活用水碳排放量则呈持续上升的变化趋势. 到2035年, 公共生活用水碳排放量在低碳情景（S6）下达到峰值, 城镇化率是其主导因素, 用水强度和用水结构变化的影响也不可忽视；用水系统碳排放量在基准情景（S1）、节水优先情景（S2）和低碳情景（S6）下均出现拐点, 并呈现持续下降趋势. 在低碳情景（S6）下, 用水系统碳排放量处于最低水平, 而粗放发展情景（S7）下的碳排放量最大, 其余情景下的碳排放量则介于这两种情景之间. 与2022年相比, 预计到2040年, 浙江省的用水系统碳排放量在粗放发展情景（S7）下将增加428.37万t. 而在基准情景（S1）下将减少76.26万t, 节水优先情景（S2）下将减少166.03万t, 低碳情景（S6）下则将实现最大的减排, 预计减少496.52万t. 2022~2035年, 工业用水将是用水系统碳排放量减少的主要环节, 见图 5（a）. 然而, 对比图 5（e）和图 5（d）可知, 自2035年起, 用水系统碳排放量的变化趋势与公共用水碳排放量的变化趋于一致, 这表明公共生活用水碳排放对用水系统碳排放量下降的影响逐渐凸显. 此外, 鉴于城镇化率对公共用水碳排放量的影响最大, 因此, 在2035年后, 城镇化率的变化对用水系统碳排放的影响将变得尤为显著.
|
图 5 2022~2040年浙江省用水系统碳排放量情景预测结果 Fig. 5 Scenario prediction results of carbon emissions in the water use system in Zhejiang from 2022 to 2040 |
本文构建了一个基于“水-能-碳”之间紧密联系的水系统碳排放的分析框架, 并详细分析了2011~2021年浙江省水系统碳排放量的动态变化. 研究结果显示, 浙江省用水系统碳排放量占水系统碳排放总量的95%以上, 这一发现与赵荣钦等[12]和Tan等[19]在缺水城市水系统碳排放研究中的结果接近. 基于此, 利用STIRPAT模型对用水系统的碳排放量进行了情景预测, 以间接揭示水系统碳排放量的演变趋势. 研究发现, 水系统碳排放的驱动因素在不同用水环节中存在显著差异, 而传统的预测方法往往基于水系统整体的碳排放总量进行预测[12, 14, 19], 却忽视了社会经济因素在不同用水环节中的差异化影响, 这在一定程度上增加了预测结果的不确定性. 本研究的特色在于：①以浙江省为例, 探索了水资源丰富地区的水系统碳排放特征. ②探究社会经济因素对不同用水环节碳排放的差异化影响, 并基于不同情景预测了不同社会经济政策下的用水系统碳排放量. ③提出了一个基于“水-能-碳”关联的水资源全生命周期碳排放综合分析框架. 该框架只需核算水系统碳排放量并将具体政策目标纳入分析, 即可为不同区域的水系统碳排放控制提供决策建议.
浙江省水系统碳排放量的核算结果表明（图 2）, 取水和用水系统的碳排放量存在较大的波动性, 相比之下, 给水和排水系统的排放量则呈现出持续增长的态势. 这凸显了在水处理、配送以及污水处理等环节中, 提高能源利用效率、降低碳排放强度的紧迫性, 以便有效控制给水和排水系统碳排放量的增长. 2012~2020年间, 浙江省水系统的碳排放总量呈现下降趋势（图 3）, 这主要归因于两个方面：首先, 尽管浙江省的人口和城镇化率在此期间经历了快速增长, 从而导致了水系统碳排放量的上升, 但浙江省在能源结构和产业结构上的显著改善, 以及用水和碳排放效率的显著提升（图 4）, 有效地抵消了这一上升趋势, 使得水系统总碳排放量呈现下降态势. 随着人口和城镇化率的持续增长, 2022~2035年水系统碳排放量将开始回升. 然而, 到2035年, 浙江省人口预计出现负增长, 城镇化增长率逐渐稳定, 这将导致水系统碳排放量呈现下降趋势. 其次, 在2022~2035年间, 浙江省经济从粗放型转向高质量发展. 这一转型过程中, 能源结构和产业结构的优化速度将变缓, 但在基准情景和节水优先情景下, 水系统碳排放的增长与减少量仍然能够保持相对平衡. 尽管预计2035年后, 浙江省的能源结构和产业结构优化速度将进一步减缓, 但在实现“双碳”目标的驱动下, 浙江省仍将持续降低碳排放强度, 从而推动水系统碳排放量不断减少.
浙江省的用水系统碳排放预测显示, 未来居民和公共生活用水的碳排放量将持续增长. 特别是在粗放发展情景下, 用水系统的碳排放总量与其他情景存在显著差异, 且这种差异预计在2035年之后将变得更为明显. 因此, 浙江省在未来水系统碳减排工作中, 应优先提升居民和公共生活用水的利用效率, 因为这两个环节的碳排放变化将直接决定整个水系统碳排放的趋势. 根据STIRPAT模型结果（图 4）, 当人口、城镇化率、人均GDP和用水结构每发生1%的变化时, 会引起居民生活用水碳排放量分别变化0.230%、0.172%、0.037%和0.042%. 而城镇化率、人均GDP、用水强度、用水结构和碳排放强度每变化1%, 会导致公共生活用水碳排放量分别变化0.709%、0.293%、0.136%、0.349%和0.136%. 在这些因素中, 人口和城镇化率均对公共和居民生活用水碳排放量有较大影响, 而其余因素仅对单一用水环节碳排放量起主导作用. 因此, 为了有效推动浙江省水系统未来的碳减排工作, 必须合理控制人口和城镇化增长率, 同时注重提高用水效率、优化用水结构, 并大幅度降低碳排放强度.
与2022年相比, 预计到2040年, 浙江省的用水系统碳排放量在基准情景下将减少76.26万t, 节水优先情景下将减少166.03万t, 低碳情景下则将实现最大的减排, 减少496.52万t. 总体而言, 基准情景发展可以实现浙江省各项指标的发展目标（主要指本文所用影响因子对应的目标）, 但其碳减排量更少；节水优先情景是在满足浙江省发展目标的基础上对水资源利用的进一步约束, 其碳排放量介于基准情景和低碳发展情景下的碳排放量之间；低碳情景的发展模式能同时实现浙江省节水、节能和碳减排目标, 并且碳减排效果最好, 但该发展模式未来将偏离浙江省“十四五”规划中的新型城镇化发展、国民经济和社会发展等目标. 因此, 未来不同发展模式选择的核心取决于社会经济发展目标与碳减排目标之间的权衡. 本文模拟的基准情景、节水优先情景和低碳情景下的用水系统碳排放量结果, 可为浙江省制定实现不同发展目标的决策提供重要依据. 借鉴此发展模式, 也可为其他丰水地区推动水系统碳减排工作提供有益参考.
本研究深入探讨了水系统不同环节的碳排放量变化. 然而, 由于本文涉及众多水系统环节, 获取每个环节详细的能源强度数据并准确追踪其逐年变化难度较大. 因此, 本研究核算水系统碳排放量采用的能源强度和电力排放系数主要来源于文献, 且未考虑其时间尺度变化. 尽管这种做法在水资源全生命周期碳排放的研究中较为常见[6, 12, 14, 28, 32], 但仍需在未来研究中加以改进, 以提高研究结果的精确性. 此外, 本研究主要考虑水系统不同环节的能源消耗产生的碳排放, 尚未涉及水系统设施建设、维修和保养等过程中各类材料生产和运输等环节的能源消费碳排放, 这可能在一定程度上对研究精度产生影响[12]. 因此, 未来研究应综合考虑这些因素, 以提升研究的全面性和准确性.
4 结论（1）2011~2021年浙江省水系统碳排放量整体呈“上升-下降-上升”趋势. 其在2011~2012年和2020~2021年间呈现上升的趋势, 在2012~2020年逐年下降. 用水系统是水系统碳排放的主要来源, 占比高达95%以上, 其碳排放的变化对水系统整体碳排放具有决定性影响.
（2）水系统碳排放的驱动因素在不同用水环节中存在差异化作用. 其中, 人口和城镇化率是用水系统碳排放量的关键驱动因子.
（3）居民和公共生活用水碳排放是未来水系统碳排放总量增长的主要来源. 到2035年, 基准情景和节水优先情景下, 公共生活用水碳排放量将出现拐点, 增长速率变缓. 而低碳情景下公共生活用水碳排放量将达到峰值.
（4）到2040年, 在基准情景、节水优先情景和低碳情景下, 用水系统的碳排放量预计将比2022年分别减少76.26万t、166.03万t和496.52万t. 未来发展模式的选择取决于社会经济发展目标与碳减排目标之间的权衡.
| [1] | Liang M S, Huang G H, Chen J P, et al. Energy-water-carbon nexus system planning: a case study of Yangtze River Delta urban agglomeration, China[J]. Applied Energy, 2022, 308. DOI:10.1016/j.apenergy.2021.118144 |
| [2] |
杨屹, 张园园. 呼包鄂榆资源型城市群"水-能-碳"耦合变化及影响因素[J]. 中国环境科学, 2023, 43(11): 6212-6224. Yang Y, Zhang Y Y. Analysis of the coupling process and the influencing factors of the "water-energy-carbon" relationship in the Hohhot-Baotou-Ordos-Yulin resource-based urban agglomeration[J]. China Environmental Science, 2023, 43(11): 6212-6224. |
| [3] | Qin Y, Wang Y P, Li S Y, et al. Global assessment of the carbon⁃water tradeoff of dry cooling for thermal power generation[J]. Nature Water, 2023, 1(8): 682-693. DOI:10.1038/s44221-023-00120-6 |
| [4] | Wang X C, Klemeš J J, Wang Y T, et al. Water-energy-carbon emissions nexus analysis of China: an environmental input-output model-based approach[J]. Applied Energy, 2020, 261. DOI:10.1016/j.apenergy.2019.114431 |
| [5] |
陈喜阳, 周程, 王田. 多情景视角下中国能源消费和碳达峰路径[J]. 环境科学, 2023, 44(10): 5464-5477. Chen X Y, Zhou C, Wang T. China's energy consumption and carbon peak path under different scenarios[J]. Environmental Science, 2023, 44(10): 5464-5477. DOI:10.13227/j.hjkx.202211293 |
| [6] | 朱永霞. 社会水循环全过程能耗评价方法研究[D]. 北京: 中国水利水电科学研究院, 2017. |
| [7] | California Energy Commission. California's water—energy relationship, final staff report [R]. Sacramento: CEC, 2005. |
| [8] | Li R S, Zhao R Q, Xie Z X, et al. Water⁃energy⁃carbon nexus at campus scale: case of North China University of Water Resources and Electric Power[J]. Energy Policy, 2022, 166. DOI:10.1016/j.enpol.2022.113001 |
| [9] | Gómez-Gardars E B, Rodríguez-Macias A, Tena-García J L, et al. Assessment of the water⁃energy⁃carbon nexus in energy systems: a multi-objective approach[J]. Applied Energy, 2022, 305. DOI:10.1016/j.apenergy.2021.117872 |
| [10] | Nair S, George B, Malano H M, et al. Water⁃energy⁃greenhouse gas nexus of urban water systems: review of concepts, state-of-art and methods[J]. Resources, Conservation and Recycling, 2014, 89: 1-10. DOI:10.1016/j.resconrec.2014.05.007 |
| [11] | Chhipi-Shrestha G, Hewage K, Sadiq R. Water⁃energy⁃carbon nexus modeling for urban water systems: system dynamics approach[J]. Journal of Water Resources Planning and Management, 2017, 143(6). DOI:10.1061/(asce)wr.1943-5452.0000765 |
| [12] |
赵荣钦, 余娇, 肖连刚, 等. 基于"水⁃能⁃碳"关联的城市水系统碳排放研究[J]. 地理学报, 2021, 76(12): 3119-3134. Zhao R Q, Yu J, Xiao L G, et al. Carbon emissions of urban water system based on water-energy-carbon nexus[J]. Acta Geographica Sinica, 2021, 76(12): 3119-3134. |
| [13] | Venkatesh G, Brattebø H. Energy consumption, costs and environmental impacts for urban water cycle services: case study of Oslo (Norway)[J]. Energy, 2011, 36(2): 792-800. DOI:10.1016/j.energy.2010.12.040 |
| [14] | Gui Z H, Qi H S, Wang S W. Study on carbon emissions from an urban water system based on a life cycle assessment: a case study of a typical multi-water county in China's river network plain[J]. Sustainability, 2024, 16(5). DOI:10.3390/su16051748 |
| [15] | Valek A M, Sušnik J, Grafakos S. Quantification of the urban water-energy nexus in México City, México, with an assessment of water-system related carbon emissions[J]. Science of the Total Environment, 2017, 590-591: 258-268. DOI:10.1016/j.scitotenv.2017.02.234 |
| [16] | Wang J Y, Yu Z, Zeng X L, et al. Water-energy-carbon nexus: a life cycle assessment of post-combustion carbon capture technology from power plant level[J]. Journal of Cleaner Production, 2021, 312. DOI:10.1016/j.jclepro.2021.127727 |
| [17] |
张晴, 朱华, 王妍, 等. 杭州市农业用水碳排放与经济增长脱钩关系及其驱动因素研究[J]. 人民珠江, 2024, 45(1): 34-41, 62. Zhang Q, Zhu H, Wang Y, et al. Study on decoupling relationship between carbon emissions of agricultural water consumption and agricultural economic growth in Hangzhou and its driving factors[J]. Pearl River, 2024, 45(1): 34-41, 62. |
| [18] |
余娇, 赵荣钦, 肖连刚, 等. 基于"水—能—碳"关联的城市污水处理系统碳排放研究[J]. 资源科学, 2020, 42(6): 1052-1062. Yu J, Zhao R Q, Xiao L G, et al. Carbon emissions of urban wastewater treatment system based on the "water-energy-carbon" nexus[J]. Resources Science, 2020, 42(6): 1052-1062. |
| [19] | Tan S Q, Yao L M. Managing and optimizing urban water supply system for sustainable development: perspectives from water-energy-carbon nexus[J]. Sustainable Production and Consumption, 2023, 37: 39-52. DOI:10.1016/j.spc.2023.02.004 |
| [20] | Qin J X, Duan W L, Zou S, et al. Global energy use and carbon emissions from irrigated agriculture[J]. Nature Communications, 2024, 15(1). DOI:10.1038/s41467-024-47383-5 |
| [21] | Dong J, Li C B. Scenario prediction and decoupling analysis of carbon emission in Jiangsu Province, China[J]. Technological Forecasting and Social Change, 2022, 185. DOI:10.1016/j.techfore.2022.122074 |
| [22] | Gidden M J, Gasser T, Grassi G, et al. Aligning climate scenarios to emissions inventories shifts global benchmarks[J]. Nature, 2023, 624(7990): 102-108. DOI:10.1038/s41586-023-06724-y |
| [23] | Pan H Z, Page J, Shi R, et al. Contribution of prioritized urban nature-based solutions allocation to carbon neutrality[J]. Nature Climate Change, 2023, 13(8): 862-870. DOI:10.1038/s41558-023-01737-x |
| [24] |
王永琴, 周叶, 张荣. 碳排放影响因子与碳足迹文献综述: 基于研究方法视角[J]. 环境工程, 2017, 35(1): 155-159. Wang Y Q, Zhou Y, Zhang R. A review of the research methods on influencing factors of carbon emissions and carbon footprint[J]. Environmental Engineering, 2017, 35(1): 155-159. |
| [25] | Zawartka P, Burchart-Korol D, Blaut A. Model of carbon footprint assessment for the life cycle of the system of wastewater collection, transport and treatment[J]. Scientific Reports, 2020, 10(1). DOI:10.1038/s41598-020-62798-y |
| [26] | Martin-Ortega J. We cannot address global water challenges without social sciences[J]. Nature Water, 2023, 1(1): 2-3. DOI:10.1038/s44221-022-00013-0 |
| [27] | Rothausen S G S A, Conway D. Greenhouse-gas emissions from energy use in the water sector[J]. Nature Climate Change, 2011, 1(4): 210-219. DOI:10.1038/nclimate1147 |
| [28] |
郑轶丽, 马军, 魏婷, 等. 城市水务系统碳排放测算及减碳对策分析: 以成都市为例[J]. 环境工程学报, 2023, 17(6): 1778-1787. Zheng Y L, Ma J, Wei T, et al. Carbon emission measurement and carbon reduction strategy analysis of urban water system: a case study of Chengdu water system[J]. Chinese Journal of Environmental Engineering, 2023, 17(6): 1778-1787. |
| [29] |
王建华, 朱永楠, 李玲慧, 等. 社会水循环系统水⁃能⁃碳纽带关系及低碳调控策略研究[J]. 中国工程科学, 2023, 25(4): 191-201. Wang J H, Zhu Y N, Li L H, et al. Water⁃energy⁃carbon nexus of social water cycle system and low-carbon regulation strategy[J]. Strategic Study of CAE, 2023, 25(4): 191-201. |
| [30] |
中国城镇供水排水协会. 城镇水务系统碳核算与减排路径技术指南[M]. 北京: 中国建筑工业出版社, 2022. China Urban Water Association. Guidelines for carbon accounting and emission reduction in the urban water sector[M]. Beijing: China Architecture & Building Press, 2022. |
| [31] | Xiang X Z, Jia S F. China's water-energy nexus: assessment of water-related energy use[J]. Resources, Conservation and Recycling, 2019, 144: 32-38. DOI:10.1016/j.resconrec.2019.01.009 |
| [32] |
姜珊. 水-能源纽带关系解析与耦合模拟[D]. 北京: 中国水利水电科学研究院, 2017. Jiang S. Scientific concept of water-energy nexus and coupling simulation[D]. Beijing: China Institute of Water Resources & Hydropower Research, 2017. |
| [33] |
沈恬, 陈远生, 杨琪. 城市家庭用水能耗强度及其影响因素分析[J]. 资源科学, 2015, 37(4): 744-753. Shen T, Chen Y S, Yang Q. Energy consumption in urban household water use and influencing factors[J]. Resources Science, 2015, 37(4): 744-753. |
| [34] |
杨文忠, 尹晓爽, 陈云, 等. 我国工业冷却水处理技术发展回顾与展望[J]. 工业水处理, 2021, 41(9): 1-10. Yang W Z, Yin X S, Chen Y, et al. Review and prospect of the development of industrial cooling water treatment technology in China[J]. Industrial Water Treatment, 2021, 41(9): 1-10. |
| [35] | Meng F X, Liu G Y, Liang S, et al. Critical review of the energy-water-carbon nexus in cities[J]. Energy, 2019, 171: 1017-1032. DOI:10.1016/j.energy.2019.01.048 |
| [36] |
周露明, 谢兴华, 卢斌, 等. 基于生命周期理论的鄂尔多斯市水资源耗能计算[J]. 水电能源科学, 2020, 38(9): 39-43. Zhou L M, Xie X H, Lu B, et al. Energy consumption calculation of water resources of Ordos City based on life cycle theory[J]. Water Resources and Power, 2020, 38(9): 39-43. |
| [37] | York R, Rosa E A, Dietz T. STIRPAT, IPAT and ImPACT: analytic tools for unpacking the driving forces of environmental impacts[J]. Ecological Economics, 2003, 46(3): 351-365. |
| [38] | Fang K, Tang Y Q, Zhang Q F, et al. Will China peak its energy-related carbon emissions by 2030? Lessons from 30 Chinese provinces[J]. Applied Energy, 2019, 255. DOI:10.1016/j.apenergy.2019.113852 |
| [39] |
潘栋, 李楠, 李锋, 等. 基于能源碳排放预测的中国东部地区达峰策略制定[J]. 环境科学学报, 2021, 41(03): 1142-1152. Pan D, Li N, Li F, et al. Mitigation strategy of Eastern China based on energy-source carbon emission estimation[J]. Acta Scientiae Circumstantiae, 2021, 41(03): 1142-1152. |
| [40] | Kaya Y. Impact of carbon dioxide emission control on GNP growth: interpretation of proposed scenarios[R]. Paris: IPCC Energy and Industry Subgroup, 1989. |
| [41] |
曾炜, 方泽慧, 张燕华. 湖北省碳达峰情景预测: 基于STIRPAT扩展模型[J]. 环境科学与技术, 2023, 46(S2): 226-232. Zeng W, Fang Z H, Zhang Y H. Scenario forecast of carbon peaking in Hubei province based on STIRPAT extended model[J]. Environmental Science & Technology, 2023, 46(S2): 226-232. |
| [42] |
张陈俊, 周雨雯. 黄河流域用水量与经济增长脱钩及驱动机制研究[J]. 人民黄河, 2023, 45(7): 79-85, 115. Zhang C J, Zhou Y W. Research on the decoupling of water consumption and economic growth in the Yellow River Basin and its driving mechanism[J]. Yellow River, 2023, 45(7): 79-85, 115. |
| [43] |
秦明慧, 刘秀丽. 海河流域产业用水量变化驱动因素分析[J]. 资源科学, 2024, 46(3): 621-634. Qin M H, Liu X L. Driving factors for changes in sectoral water consumption in the Haihe River Basin[J]. Resources Science, 2024, 46(3): 621-634. |
| [44] |
章恒全, 杨柳, 张陈俊. 长江经济带用水量演变的驱动因素与预测——基于LMDI与SD模型[J]. 工业技术经济, 2021, 40(6): 143-152. Zhang H Q, Yang L, Zhang C J. Driving factors and prediction of water consumption evolution in the Yangtze River Economic Belt——based on LMDI and SD models[J]. Journal of Industrial Technological Economics, 2021, 40(6): 143-152. |
| [45] | Kalbusch A, Henning E, Brikalski M P, et al. Impact of coronavirus (COVID-19) spread-prevention actions on urban water consumption[J]. Resources, Conservation and Recycling, 2020, 163. DOI:10.1016/j.resconrec.2020.105098 |
| [46] | Yan Q, Zhang Y, Wang Q W. Analysis of demand and structural changes in China's water resources over the next 30 years[J]. Water, 2023, 15(4). DOI:10.3390/w15040745 |
| [47] |
谭璇, 李卫娜. 基于灰色系统模型的浙江省人口老龄化预测与发展趋势分析[J]. 黑龙江科学, 2023, 14(21): 45-49. Tan X, Li W N. Prediction and development trend analysis of population ageing in Zhejiang Province based on Grey system model[J]. Heilongjiang Science, 2023, 14(21): 45-49. |