2025, Vol. 46
2. 清华大学环境学院, 北京 100084;
3. 国网天津市电力公司, 天津 300010
, LIU Gui-xian2
, ZHOU Chun-lei1 , LU Xi2 , BO Yu2 , LI Yan-xi1 , CHEN Xiang1 , JIANG Peng1 , HUANG Yu-jie2 , WANG Yu-bo2 , ZHENG Jia-lin2 , WANG Xu-dong3 , WANG Lin3
2. School of Environment, Tsinghua University, Beijing 100084, China;
3. State Grid Tianjin Electric Power Company, Tianjin 300010, China
气候变化已成为全球面临的重大挑战, CO2作为主要的人为温室气体, 是气候变化的主要原因[1 ~ 3]. 城市作为人口和工业活动集中地, 是全球碳排放的主要来源, 贡献了全球能源活动碳排放量的71%~76%[4], 因此城市是减少碳排放的主要焦点[5 ~ 7]. 作为世界最大碳排放国, 中国城市碳排放控制对全球减排目标具有重要影响[8]. 为应对气候变化和控制碳排放, 中国政府采取了一系列措施, 如低碳城市试点、碳交易市场试点和正式加入巴黎协定等. 2020年9月, 中国进一步提出力争于2030年前碳达峰、努力争取2060年前碳中和的目标之后, 为了完善碳排放政策体系实现2030年碳达峰, 中国各级政府发布碳排放政策的频率进一步加快[9]. 预计在2060年前, 中国碳排放政策体系将长时间处于丰富、调整和完善阶段. 碳排放政策的调整直接影响碳减排工作的进程, 而城市的长期碳排放趋势预测对于制定有效的碳减排政策具有指导意义.
现有研究大多采用Kaya恒等式、LEAP模型和机器学习等方法预测城市碳排放. 如Qin等[10]采用Kaya恒等式预测无锡市碳达峰峰值, 主要考虑了人口增长率、经济增长率、能源消耗强度和能源结构因素, 发现在加强碳减排的情景, 碳排放峰值将在2025年或2026年出现, 总碳排放（以CO2计, 下同）将在1.2亿~1.3亿t. Zhang等[11]采用Kaya恒等式和对数平均迪氏指数（LMDI）分解方法, 分析2000~2020年西安碳排放驱动因素并预测碳排放, 发现人口规模和GDP对碳排放有正向推动作用, 能源强度则为负向驱动. Ren等[12]采用Kaya恒等式和情景模拟预测2021~2035年北京-天津-河北城市群的CO2排放的动态演变路径. Ji等[13]和Li等[14]采用LEAP模型分别对成都和上海的碳排放进行预测. Zhang等[15]基于2010年、2012年和2015年中国1 903个县级城市的数据, 采用随机森林模型构建城市碳排放预测模型, 分析表明市政公用设施元素、经济发展与产业结构元素、城市规模与结构和道路交通设施元素是影响住宅、工业和交通碳排放的主要因素.
部分研究则是集成多种预测方法来构建城市碳排放预测模型, 如Luo等[16]集成多目标规划、主成分分析和BP神经网络等方法构建城市碳排放空间模拟和预测模型, 并以西安为案例进行碳排放预测, 发现在最优路径下西安的碳排放在峰值时达到6 060万t, 到2060年将减少到4 738万t；Li等[17]集成碳排放系数、LMDI、系统动力学模型和交互决策指数方法构建城市碳排放预测模型, 并采用情景分析对天津碳排放进行了预测；Rao等[18]集成广义Divisia指数方法、遗传算法和BP神经网络（back propagation neural network）构建GA-BP联合预测模型, 预测珠三角城市群的碳排放趋势, 并指出珠三角为实现碳峰值目标仍需施行严格的碳减排措施.
此外, 学者们还针对城市的细分领域碳排放开展预测研究, 如建筑行业[19, 20]、供暖领域[21]和交通领域[22].
关于城市碳排放的研究, 除了上文所述的预测城市碳排放之外, 更多的研究着重于分析驱动碳排放变化的因素. 如Tian等[23]以山东省为例, 通过扩展的STIRPAT模型探讨人口、经济、技术、城镇化、能源结构和产业结构等社会经济因素对不同城市碳排放的影响. Wei等[24]使用空间杜宾模型（SDM）分析2005~2020年期间75个城市的碳排放的时空演化, 来探讨碳排放的驱动力, 发现经济状况、工业化水平和人口规模等多个因素影响了城市碳排放. Wang等[25]采用空间统计分析和GeoDetector方法定量分析2000~2018年间中国19个城市群的碳排放趋势及其驱动机制, 指出经济规模增加是碳排放增加最主要的因素, 碳强度和产业结构是次级驱动因素. Xing等[26]采用非径向、非定向松弛测度基的定向距离函数（SBM-DDF）模型来评估2006~2020年期间284个城市的碳排放, 并应用机器学习算法分析驱动因素影响, 包括能源消耗、地区生产总值、空间面积、人口规模、科学技术创新、城市绿化和电力消费等驱动因素. Qiao等[27]基于2000~2017年290个中国城市的面板数据, 采用机器学习方法分析城市碳排放驱动因素, 包括产业结构、城市建成区规模和科技创新等.
同时, 部分学者指出城市内部碳排放源之间和城市间碳排放源存在影响关系. 如Liang等[28]解析了来自数千个城市源的排放因果动态, 随后利用解码的因果矩阵来预测城市排放趋势, 该研究证实, 分析主要城市排放源之间的相互作用能有效揭示城市间碳排放的因果模式和预测未来趋势. Ke等[29]基于2000~2017年中国城市级碳排放强度的区域差异和演变趋势, 发现城市级碳排放强度显示出正的空间自相关性, 并且不同空间聚集形态的城市在分布规律上存在明显差异.
此外, 学者们还实证分析了宽带基础设施[30]、低碳城市试点政策[31]、新型城镇化政策[32, 33]、人口结构[34]、土地使用[35, 36]、道路拥堵收费[37]、城市多中心性[38]和碳税[37]对城市碳排放的影响.
通过系统梳理现有文献可以发现, 城市碳排放领域的既有研究虽然取得了丰富成果, 但仍存在有待深化之处. 一方面, 现有研究虽然从经济发展、产业结构、能源消费、人口规模等多个角度分析了城市碳排放的影响因素, 但对碳排放约束政策的关注还相对不足, 尚未从政策目标、政策体系、政策执行、市场机制等多个维度系统考察政策因素对城市碳排放的影响. 另一方面, 在构建城市碳排放预测模型时, 现有研究虽然应用了Kaya恒等式、LEAP模型等多种方法, 但对碳排放约束政策等关键因素的纳入还比较有限, 难以充分反映政策情景变化对预测结果的影响.
基于政策科学的相关理论, 本文提出“政策目标-政策体系-政策执行-市场机制”这一分析框架, 以期更加全面、动态地刻画碳排放约束政策的内在逻辑和作用机制. 具体如下：首先, 这一框架立足于政策过程理论, 试图从目标设定、工具选择、执行力度、市场配合等环节, 系统审视碳排放约束政策的作用机制；其次, 这一框架借鉴了政策工具理论, 关注不同类型政策工具的匹配与协同, 以期形成有效的政策组合；再次, 这一框架吸收了政策执行理论的研究视野, 强调执行环节对政策效果的决定性作用, 突出地方政府在减排政策落实中的重要性；最后, 这一框架体现了系统治理的理念, 将政府政策与市场机制相结合, 以更好地调动各方主体参与减排行动.
因此, 本研究拟从“政策目标-政策体系-政策执行-市场机制”逻辑构建碳排放约束政策指标体系, 评估2003~2020年中国城市级别的碳排放约束政策指标, 随后, 利用BP神经网络, 将政策指标与GDP、产业结构、人口规模、能源结构和能源强度等指标作为输入指标, 构建城市长期碳排放预测模型, 并以典型超大型城市为例预测2021~2060年碳排放趋势.
本研究创新点及贡献包括以下3点：第一, 开发碳排放约束政策的综合评估指标体系和测算方法, 实现对政策实施的定量化、精细化评估, 能够较为全面地评估碳排放政策约束强度；第二, 将碳排放约束政策因素纳入城市碳排放预测模型, 提高预测的科学性和政策相关性, 拓展了以往研究的视角；第三, 对4类典型城市进行实证研究, 揭示不同碳排放约束政策组合的减排效果差异, 以期为制定有针对性的城市减排政策提供决策参考.
1 材料与方法 1.1 碳排放约束强度测量方法为了全面刻画城市承受的碳排放政策约束, 本研究按照“政策目标-政策体系-政策执行-市场机制”的逻辑构建碳排放约束政策指标体系, 包括碳排放约束政策目标、碳排放约束政策体系完善程度、碳排放约束政策执行强度、碳市场覆盖范围和碳市场交易价格, 具体构建思路如下.
碳排放约束政策目标：设定明确的减排目标是减少碳排放的第一步. 2007年, 中国出台了首个应对气候变化国家方案：《中国应对气候变化的政策与行动（2011）》, 并在2009年首次确定了碳排放控制目标, 即相较于2005年, 单位国内生产总值温室气体排放比在2020年下降40%~45%. 随后, “十二五”控制温室气体排放工作方案、“十三五”控制温室气体排放工作方案和各省“十四五”碳达峰实施方案等文件中对中国及各省设置了多阶段单位国内生产总值温室气体排放下降目标. 以上政策目标直接对应于国家和地区对气候变化应对的承诺, 是评估碳减排政策效果的核心标准. 因此, 本研究通过手动收集整理这些文件设置各省多阶段减排目标.
碳排放约束政策体系完善程度：在碳减排的实践中, 政策体系的完善程度直接影响到政策信号的清晰度和市场的信心, 政策的连贯性和互补性对于提高整体碳减排效率至关重要. 一个完善的政策体系是实现碳减排目标的基础, 能够提供清晰的规则和标准, 指导企业和个人采取实际行动. 因此, 各级政府不仅需要明确的减排目标, 还需要一套完备的政策工具箱来应对不同行业和领域的挑战. 本研究通过文本分析识别地方标准中与碳减排相关的标准, 构建定量指标衡量一个地区在制定和完善碳排放相关政策方面的努力程度. 具体而言, 基于2002~2021年的64 355项地方标准, 利用文本分析方法, 统计历年各地区与碳排放约束相关的标准数量, 用标准累计数量代理碳约束政策体系完善程度. 认定标准为碳减排相关标准的规则是, 该标准的名称涵盖以下关键词之一：二氧化碳、温室气体、能源消费、能源消耗、低碳、能源效率、碳排放、节能和碳足迹.
碳排放约束政策执行强度：政策的制定只是第一步, 如何有效执行和监督政策的实施是碳减排工作的关键. 政策执行强度的高低反映了政府在资源分配、监管执行和市场激励方面的实际行动. 各级政府工作报告能够反映其在执行政策过程中的关注点和优先级, 通过量化分析政府报告中与碳减排相关词汇的出现频率, 可以从实施层面反映各级政府对碳减排承诺的认真程度及其执行碳减排政策的实际强度, 为评估碳排放约束政策执行强度提供了一个可操作的量化指标. 具体而言, 参考Chen等[39]的做法, 本研究统计历年各地区政府683项省级报告中的相关词汇数量, 计算这些词汇的文字数量占报告总字数的比值, 量化政府对碳减排承诺的强度. 相关词汇如下：碳减排、碳交易、碳密度、碳排放、碳市场、碳中和、碳足迹、碳达峰、碳捕捉、碳储存、碳利用、碳配额、巴黎协定、低碳能源、温室气体、气候变化和二氧化碳.
碳市场覆盖范围：碳市场是实现碳排放减少的重要机制, 碳市场覆盖范围能够体现碳市场在碳减排政策体系中的应用广度和影响力. 扩大碳市场的覆盖范围可以促进更多的企业和行业参与碳交易, 通过市场机制推动碳减排措施的实施. 通过定量分析碳市场的覆盖范围, 可以评估市场机制在减排过程中的作用, 反映碳减排努力在经济中的渗透程度. 本研究将历年各地区纳入碳交易的碳排放占各地区碳排放总量的比例, 作为衡量碳市场覆盖范围的定量指标. 具体而言, 在2021年2月1日施行《碳排放权交易管理办法（试行）》之前, 本研究将自2013年在北京、天津、上海和广东等地区开展碳交易试点以来的碳交易总额作为纳入碳交易的额度, 而2021年之后, 则按照碳交易和碳配额覆盖行业的碳排放量作为纳入碳交易的额度.
碳市场交易价格：碳价是反映碳市场运作效率和碳减排成本的直接指标, 也是衡量碳市场稳定性和成熟度的重要指标. 碳价的高低直接影响到碳排放权的供求关系, 反映了市场对碳排放减少努力的价值评估. 一个有效的碳价格机制能够激励企业和个人采取减排措施, 同时, 通过价格信号传递能够引导资本流向低碳和无碳技术, 促进经济结构的优化和能源消费模式的转变. 此外, 碳价的变化趋势可以反映市场参与者对未来政策变化的预期, 以及低碳技术发展和应用的经济可行性. 本研究通过定量分析历年各地区碳市场的平均交易价格构建指标, 以评估碳市场机制减排效果的运作情况和效率.
1.2 城市碳排放预测模型本研究采用BP神经网络构建城市碳排放长期趋势预测模型. 与传统的统计学方法相比, BP神经网络不需要预先假定变量之间的函数关系, 具有更强的灵活性和适应性. 城市碳排放量预测是一个高度复杂且动态变化的问题, 它受到多种因素的影响, 包括经济发展水平、产业结构、能源消费模式、碳排放约束政策等. 这些因素之间存在着复杂的非线性关系, 考虑到BP神经网络能够很好地处理大规模、高维度的数据, 且可以较好实现非线性建模, 本研究选用BP神经网络作为预测方法的核心.
通过深入学习和训练, BP神经网络能够识别这些因素之间的内在联系, 从而精确地预测城市碳排放的长期趋势. BP神经网络的训练过程包括正向传播和反向传播两个阶段. 在正向传播阶段, 输入数据被送入网络并通过每一层进行处理, 直到输出层产生预测结果. 如果预测结果与实际值存在偏差, 这种偏差会在反向传播阶段被计算出来, 并按照一定的规则逆向传播回网络, 用于调整网络中的权重和偏置参数. 这一过程会反复进行, 直到网络输出的预测值与实际值之间的误差降到最低, 或达到预设的训练次数.
本研究预测模型的变量包括多个输入变量和一个输出变量.
输入变量除了包括前文所述的碳排放约束政策一系列指标之外, 还包括城市第一产业生产总值、第二产业生产总值、第三产业生产总值、人口规模、能源消费强度、电力消费强度和电力生产结构. 其中, 城市产业结构（第一、第二、第三产业的生产总值）直接映射了经济活动的类型和规模, 进而决定了能源需求的性质和规模. 例如, 第二产业的高比例往往伴随着较高的能源消耗和碳排放, 因为这些行业如制造业和建筑业, 是能源密集型的. 人口规模则关系到能源需求的基础量. 一个人口众多的城市, 其居民和商业活动对能源的总体需求更大, 从而可能导致更高的碳排放量. 能源消费强度和电力消费强度是衡量城市能源效率和经济活动对能源依赖程度的重要指标. 电力生产结构是用非煤电和天然气火电发电量占总发电量的比值来衡量, 反映了城市从依赖高碳排放的能源结构向更清洁的能源转型的进程, 直接影响到城市整体碳排放水平.
输出变量为某城市1 a的碳排放总量. 需要特殊说明的是, 本研究的城市碳排放总量包含范围1、范围2和范围3. 首先, 范围1涵盖了城市区域内直接产生的所有温室气体排放, 这包括但不限于来自交通、建筑活动、工业制造、农业及土地使用变化以及废物处理的排放. 其次, 范围2着眼于城市区域外, 但仍与城市能源消费相关的间接排放, 这主要指的是城市为了满足自身的电力、供暖和冷却需求而从外部购买能源所产生的排放. 最后, 范围3则包括其他所有间接排放, 这些排放虽由城市内部活动引起, 却发生在城市辖区之外, 且不属于范围2的类别. 具体来说, 范围3的排放来源于城市从外部购买的所有商品在其生命周期的生产、运输、使用和废弃阶段的排放.
本研究使用了2003~2019年3 791个城市样本, 其中2003~2018年数据用于训练模型, 2019年样本作为测试集.
1.3 情景设置本研究拟利用训练好的城市碳排放预测模型, 预测4个典型超大型城市的2021~2060年碳排放变化趋势. 4个超大型城市分别为科技创新型、制造业与物流型、金融贸易型和综合工业型. 具体而言, 北京拥有大量的高科技企业和研究机构, 特别强调信息技术、生物技术和新能源等高新技术产业的发展；天津是一个重要的工业基地和北方最大的港口, 其产业结构以重工业、现代制造业和港口物流为主；上海是全球著名的金融中心之一, 以金融服务业、贸易、高端制造业和信息技术为主导产业；重庆具有较为全面的工业体系, 包括汽车制造、电子信息、装备制造和化工等多个行业.
准确预测城市碳排放长期趋势除了需要模型之外, 还需要设置合理的情景. 情景设置主要包括两个部分, 一是准确预测这些城市的产业结构和人口规模等输入变量的长期变化趋势, 二是通过对关键碳排放约束政策指标设置多种情景参数构建多情景, 具体如下.
输入变量长期趋势预测：本研究参考联合国人口基金驻华代表处和中国人口与发展研究中心发布的《中国人口中长期变动趋势预测（2021~2050）》设置人口规模变化率；参考全球能源互联网发展合作组织在2021年发布的《中国2060年前碳中和研究报告》设置GDP、电力消费总量和非火电（煤、天然气）装机占比；参考清华大学能源环境经济研究所发布的《面向2060年碳中和的能源经济转型》, 设置三大产业结构、电力占终端用能比和碳价（假定2011年美元不变价）变化趋势, 进而计算三大产业GDP变化趋势；参考全球能源互联网发展合作组织发布的《中国2030年能源电力发展规划研究及2060年展望》设置能源消费总量变化趋势. 以上均是对中国整体在2021~2060年变化趋势的设置, 具体情况如表 1所示, 本研究假定北京和天津等大型城市各指标的变化趋势与中国总体变化趋势保持一致.
|
表 1 2021~2060年主要指标变化趋势1） Table 1 Trends in major indicators from 2021 to 2060 |
多情景参数设置：基准情景下, 政策指标变化趋势如表 2所示, 假定各城市单位生产总值碳排放比例保持下降趋势, 在2060年下降至2005年的20%；假定各城市政策体系逐步完善, 即碳排放约束相关地方标准保持增加趋势, 在2060年标准数量是2021年的160%；假定政策执行强度呈现波动上升趋势, 其中2030年和2060年处于峰值, 即地方政府工作报告中碳约束相关词频占总字数比例分别为2021年的150%和135%；假定碳市场覆盖范围保持扩大趋势, 在2060年达到60%.
|
|
表 2 基准情景下主要参数设置情况1）/% Table 2 Main parameter settings under the baseline scenario/% |
在基准情景的基础上, 本研究通过逐个调整碳排放约束政策目标、碳排放约束政策体系完善程度、碳排放约束政策执行强度和碳市场覆盖范围4个指标的变化趋势设置构建8种情景. 如表 3所示, 与基准情景相比, 情景2和情景3分别弱化和强化政策执行强度；情景4和情景5分别降低和提高碳市场覆盖范围扩张速度；情景6和情景7分别下调和上调地方标准累计数量；情景8和情景9分别放松和强化碳排放减排目标.
|
|
表 3 多情景参数设置情况 Table 3 Multi scenario parameter settings |
1.4 数据来源说明
2003~2021年, 碳排放约束政策目标数据是通过收集《中国应对气候变化的政策与行动（2011）》、“十二五”控制温室气体排放工作方案、“十三五”控制温室气体排放工作方案和各省“十四五”碳达峰实施方案等文件, 手动整理各省历年碳减排目标数据；地方标准数据来自于国家标准化管理委员会；各级政府的工作报告是通过网络搜集得到；碳市场覆盖范围和交易价格数据来自于各碳排放权交易所；城市三大产业生产总值和人口规模来自于中国城市统计年鉴；省级发电量、能源消费总量和电力消费量来自于EPS数据库；城市碳排放量来自于CNDeepData数据库.
2 结果与讨论 2.1 模型训练结果本项研究基于2003~2018年的城市数据构建并训练了一个城市碳排放预测模型, 以2019年的数据为测试集进行验证. 结果表明, 该预测模型的拟合优度达到了97.6%, 这一高度的拟合优度不仅显示出模型在准确性方面的较好表现, 也表明其在城市碳排放预测方面具有可靠性与实用性.
2.2 基准情景预测结果及分析基准情景下, 2021~2060年, 北京、上海、重庆和天津的碳排放趋势呈现出明显的分化特征, 如图 1. 一方面, 北京、上海和重庆的范围1、范围2和范围3总碳排放均呈现显著下降趋势. 2060年, 北京、上海和重庆的碳排放量分别下降至1 664万t、1 664万t和3 157万t, 较2021年的水平大幅减少. 这一趋势反映了这3个城市在推进低碳转型方面取得的积极进展. 具体而言, 北京依托高度发达的服务业和创新驱动优势, 大力推进能源结构优化和产业结构升级, 非化石能源消费比例和高技术服务业占比不断提高；上海立足金融和贸易中心地位, 加快发展绿色金融和低碳技术, 积极探索可持续发展新模式；重庆着力推进传统工业的绿色化、智能化改造, 大力培育节能环保、新能源等战略性新兴产业, 初步形成了绿色低碳发展格局. 以上因素共同推动了3个城市碳排放强度的持续下降. 另一方面, 天津的碳排放趋势则呈现出先增后降的特点, 2025年达到峰值6.19亿t, 随后开始逐步回落. 这主要是由天津的产业结构特征和发展阶段所决定的. 作为国家重要的工业基地和北方经济中心, 天津工业门类齐全, 重工业比例较大, 钢铁、石化、装备制造等传统产业占据主导地位. 这导致天津在减排进程中面临更大的压力和挑战. 但随着供给侧结构性改革的深入推进, 以及新兴产业的加快培育, 天津正在加速构建绿色低碳的现代产业体系. 未来, 随着高耗能行业的持续调整, 清洁能源的大规模应用, 以及节能减排技术的广泛推广, 天津有望在碳达峰后实现碳排放的稳步下降.
|
图 1 2003~2060年基准情景下主要城市碳排放趋势 Fig. 1 Carbon emission trends in major cities under the baseline scenario from 2003 to 2060 |
预测结果显示, 基准情景下在2021~2060年碳排放总体下降趋势下, 北京和上海存在平台期, 即在特定时间段内, 碳排放量相对稳定, 没有显著下降. 具体而言, 北京在2021~2041年间的碳排放量始终保持在6.3亿t以上, 这一平稳期可能反映了该城市在这段时间内的经济活动水平、能源消费结构以及碳减排措施之间的平衡状态. 而上海的情况则更为复杂, 其碳排放在2021~2031年间高于10亿t, 在2032~2045年间则维持在5.7亿t以上, 这揭示了上海在不同阶段采取的不同减排策略和经济发展模式的影响. 相较于北京和上海的平台期, 天津和重庆的碳排放量下降趋势较为明显, 没有出现显著的平台期. 天津的碳排放在2025~2037年间快速下降, 而重庆则在2021~2036年间呈现快速下降趋势. 这种差异可能与这两个城市较早地实施了更为严格的碳减排措施、优化能源结构以及推进绿色低碳技术的应用有关.
根据基准情景下的预测结果, 当采用不同的碳排放临界值来评估城市是否实现碳中和目标时, 四大城市：北京、天津、上海和重庆的表现各不相同. 如果将碳中和的临界值设定为较为严格的2 000万t, 北京和上海有望在2050年率先实现碳中和. 作为高度发达的特大城市, 北京和上海在优化产业结构、提高能源利用效率、发展低碳经济等方面具有较强的基础和潜力. 尤其是北京, 近年来大力推进非首都功能疏解和高端产业发展, 为实现碳中和创造了有利条件；而上海则立足全球资源配置功能, 积极引领绿色金融创新, 加快建设国际碳金融中心, 这些举措都将有力推动城市尽早实现“零碳”. 相比之下, 天津和重庆面临更为艰巨的碳中和挑战. 按照2 000万t的标准, 天津预计将在2057年实现碳中和, 而重庆则无法在2060年前完成“零碳”转型. 这主要是由两个城市的发展阶段和产业结构特点所决定的. 作为重工业城市, 天津和重庆在钢铁、化工、装备制造等高耗能行业领域的低碳化转型需要更长的过程和更大的投入. 同时, 两个城市在新兴产业培育、低碳基础设施建设等方面还有待加强, 这在一定程度上制约了其在碳减排方面的进展速度. 不过, 随着“双碳”战略的深入实施, 天津和重庆正在加大结构调整和技术创新力度, 积极探索符合自身发展实际的碳中和路径. 当碳排放临界值调整为相对宽松的4 000万t时, 城市碳中和的时间表发生了明显变化. 在此情景下, 重庆有望在2037年率先实现碳中和, 天津紧随其后在2038年实现目标, 而北京和上海的达标时间则分别为2046年和2048年. 这一结果看似有悖于通常认知, 但实际上反映了不同城市在碳排放总量和减排空间方面的客观差异. 与北京和上海相比, 重庆和天津的工业领域的碳排放基数相对较大, 通过大规模应用先进适用技术, 全面推进传统产业的节能改造, 积极发展战略性新兴产业, 重庆和天津有望在碳排放“高位”实现较快的减排进程.
2.3 碳规制情景预测结果及分析图 2展示了2021~2060年间, 北京、天津、上海和重庆在9种不同情景下的碳排放变化趋势.
|
图 2 2003~2060年9种情景下典型城市碳排放趋势 Fig. 2 Carbon emission trends of typical cities under nine scenarios from 2003 to 2060 |
预测结果显示, 基准情景下碳排放约束政策的完善程度变化趋势处于相对过剩状态, 适当放缓政策体系建设进程可以进一步促进碳排放下降. 具体而言, 适度降低政策的标准累计数量（情景6）, 即简化或调整现有政策标准, 以提高其实施的效率和有效性, 可以显著促进碳排放的降低. 这一点在上海的案例中得到了明显的证明：在2023~2040年间, 采取降低标准累计数量策略的情景6, 相比其他情景, 碳排放量显著减少, 显示出精简和优化政策标准对于加强碳减排措施的重要作用. 相反, 增加标准累计数量（情景7）, 即通过增加政策标准的复杂度或数量来尝试加强政策执行, 反而可能导致城市碳排放减少速度的减缓. 这种现象在北京（2034~2048年）和上海（2027~2058年）尤为突出, 其中情景7记录了所有情景中最高的碳排放量. 这表明过度复杂或数量庞大的政策标准可能会降低政策的执行效率, 反而阻碍了碳排放减少目标的实现.
预测结果显示, 基准情景下各城市碳排放约束政策执行强度正适合, 进一步增加政策执行强度反而会导致城市碳排放下降趋势变慢. 尤其, 对于北京（2021~2032年）、天津（2027~2036年）和重庆（2021~2055年）, 情景3（政策执行强度增加）是9种情景中碳排放最高的情景. 这表明, 过于严格的政策执行强度可能在实践中引发逆效果. 这种情况可能源于过严政策对经济活动的过度抑制, 进而间接影响了对碳减排技术的投资和应用. 在短期内, 高强度的政策执行可能限制了企业和行业的发展空间, 降低了经济效率, 同时也可能抑制了创新和技术进步, 这些都是实现长期碳减排所依赖的关键因素. 因此, 这些预测结果表明执行碳排放政策时需要寻求一个平衡点, 以确保政策既能有效促进碳减排, 又不会对经济发展造成不必要的负担.
预测结果显示, 基准情景下碳市场覆盖范围相对较广, 适当放缓碳市场覆盖范围的扩张速度（情景4）可以进一步促进碳排放下降. 例如, 北京（2034~2060年）、天津（2021~2037年）、上海（2041~2049年）和重庆（2021~2036年）的情景4碳排放是9种情景中碳排放最小的情景. 这可能是因为, 在碳市场快速扩张的过程中, 过快增加新的行业或区域可能会导致执行难度增加、效率下降或策略适应性不足, 从而影响碳排放减少的效果. 相反, 通过更加谨慎和有序地扩大碳市场的范围, 确保每个新加入的行业或区域都能有效适应和参与市场机制, 可能更有利于实现整体的碳减排目标. 此外, 这一策略的效果强调了在推进碳市场政策时, 需要对不同城市的具体情况进行细致考量. 对于碳市场的扩张, 采取更加精细化的管理和步骤, 可以确保政策的持续有效性, 同时为各参与方提供适应和转型的空间和时间.
3 政策启示（1）优化碳排放约束政策体系建设进程, 通过整合相似或重叠的政策, 减少行政负担. 同时, 加强政策之间的协调和一致性, 确保政策制定的透明度和可执行性, 降低企业和公众的适应成本.
（2）执行碳排放约束政策时, 政策制定者需要考虑到执行强度与经济发展、技术进步的平衡. 应通过持续监测和评估政策效果, 灵活调整政策强度, 确保政策既能有效推动碳减排, 又不会对经济增长产生负面影响.
（3）在扩展碳市场覆盖范围时, 政策制定者应采取渐进式策略, 并在扩展前进行充分的市场准备度评估. 应加强对市场参与者的培训和能力建设, 确保新纳入的行业或区域能够有效适应碳市场机制, 从而提高整体的碳减排效率.
（4）针对不同城市的经济结构和发展阶段, 制定和实施定制化的减排策略. 对于工业重镇, 加大对清洁生产技术和能效改进的投资支持, 同时促进新兴低碳经济的发展.
4 结论（1）过于复杂的政策体系可能抑制碳减排效率. 情景分析结果显示, 增加政策的标准累计数量反而导致减排速度减缓, 表明政策体系的复杂度直接影响其执行效率.
（2）合理的政策执行强度是确保碳排放持续下降的关键. 本研究表明, 基准情景下的碳排放约束政策执行强度已经相对合适, 能有效促进长期的碳排放下降. 过度增加政策执行强度不仅未能加速减排, 反而可能导致减排效率下降, 特别是在北京、天津和重庆的案例中得到了明显体现.
（3）碳市场扩展策略需考虑执行效率和市场准备程度. 本研究显示, 适当放慢碳市场覆盖范围扩张的速度, 如情景4所示, 对于促进碳排放的进一步降低具有积极作用. 这一发现提示碳市场的扩展策略需要更加注重执行效率和市场的准备程度.
（4）不同城市的碳排放趋势反映了经济结构和发展阶段的差异. 结果表明, 天津的碳排放趋势与北京、上海和重庆碳排放单调下降趋势不同, 这凸显了经济结构和城市发展阶段对碳排放影响的重要性.
| [1] |
鲁万波, 仇婷婷, 杜磊. 中国不同经济增长阶段碳排放影响因素研究[J]. 经济研究, 2013, 48(4): 106-118. Lu W B, Qiu T T, Du L. A study on influence factors of carbon emissions under different economic growth stages in China[J]. Economic Research Journal, 2013, 48(4): 106-118. |
| [2] | IPCC, 2007: Climate Change 2007: The Physical Science Basis. Contribution of Working Group Ⅰ to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change [R]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA. |
| [3] | Luderer G, Pehl M, Arvesen A, et al. Environmental co-benefits and adverse side-effects of alternative power sector decarbonization strategies[J]. Nature Communications, 2019, 10(1). DOI:10.1038/s41467-019-13067-8 |
| [4] | Pachauri R K, Allen M R, Barros V R, et al. Climate change 2014: synthesis report. contribution of working groups Ⅰ, Ⅱ and Ⅲ to the fifth assessment report of the intergovernmental panel on climate change[M]. Geneva, Switzerland: IPCC, 2014. |
| [5] | Cai M, Shi Y, Ren C, et al. The need for urban form data in spatial modeling of urban carbon emissions in China: a critical review[J]. Journal of Cleaner Production, 2021, 319. DOI:10.1016/j.jclepro.2021.128792 |
| [6] | Sanchez A X, van der Heijden J, Osmond P. The city politics of an urban age: urban resilience conceptualisations and policies[J]. Palgrave Communications, 2018, 4(1). DOI:10.1057/s41599-018-0074-z |
| [7] | Wang S J, Fang C L, Wang Y, et al. Quantifying the relationship between urban development intensity and carbon dioxide emissions using a panel data analysis[J]. Ecological Indicators, 2015, 49: 121-131. |
| [8] |
林伯强, 刘希颖. 中国城市化阶段的碳排放: 影响因素和减排策略[J]. 经济研究, 2010, 45(8): 66-78. Lin B Q, Liu X Y. China's carbon dioxide emissions under the urbanization process: influence factors and abatement policies[J]. Economic Research Journal, 2010, 45(8): 66-78. |
| [9] |
赵晓春, 吴子珺, 孙群, 等. 双碳目标下的中国碳排放政策评价[J]. 统计与决策, 2023, 39(2): 167-172. Zhao X C, Wu Z J, Sun Q, et al. Evaluation of China's carbon emission policy under goal of carbon peaking and carbon neutrality[J]. Statistics & Decision, 2023, 39(2): 167-172. |
| [10] | Qin X H, Xu X Y, Yang Q K. Carbon peak prediction and emission reduction pathways of China's low-carbon pilot cities: a case study of Wuxi city in Jiangsu province[J]. Journal of Cleaner Production, 2024, 447. DOI:10.1016/j.jclepro.2024.141385 |
| [11] | Zhang Y, Zhang Y X, Zhang Y J, et al. Analysis of the carbon emission driving factors and prediction of a carbon peak scenario——A case study of Xi'an city[J]. Heliyon, 2022, 8(11). DOI:10.1016/j.heliyon.2022.e11753 |
| [12] | 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 |
| [13] | Ji S H, Zhang Z X, Meng F Q, et al. Scenario simulation and synergistic effect analysis of CO2 and atmospheric pollutant emission reduction in urban transport sector: a case study of Chengdu, China[J]. Journal of Cleaner Production, 2024, 438. DOI:10.1016/j.jclepro.2024.140841 |
| [14] | Li L, Li J F, Peng L, et al. Optimal pathway to urban carbon neutrality based on scenario simulation: a case study of Shanghai, China[J]. Journal of Cleaner Production, 2023, 416. DOI:10.1016/j.jclepro.2023.137901 |
| [15] | Zhang H, Peng J Y, Wang R, et al. Use of random forest based on the effects of urban governance elements to forecast CO2 emissions in Chinese cities[J]. Heliyon, 2023, 9(6). DOI:10.1016/j.heliyon.2023.e16693 |
| [16] | Luo H Z, Li Y Y, Gao X Y, et al. Carbon emission prediction model of prefecture-level administrative region: a land-use-based case study of Xi'an city, China[J]. Applied Energy, 2023, 348. DOI:10.1016/j.apenergy.2023.121488 |
| [17] | Li G H, Chen X, You X Y. System dynamics prediction and development path optimization of regional carbon emissions: a case study of Tianjin[J]. Renewable and Sustainable Energy Reviews, 2023, 184. DOI:10.1016/j.rser.2023.113579 |
| [18] | Rao Y C, Wang X L, Li H K, et al. How can the Pearl River Delta urban agglomeration achieve the carbon peak target: based on the perspective of an optimal stable economic growth path[J]. Journal of Cleaner Production, 2024, 439. DOI:10.1016/j.jclepro.2024.140879 |
| [19] | Wei C, Chen J, Cong M Y, et al. Analysis of carbon emissions in urban building sector using multi-influence model[J]. Journal of Cleaner Production, 2023, 426. DOI:10.1016/j.jclepro.2023.139130 |
| [20] | Geng J J, Wang J J, Huang J G, et al. Quantification of the carbon emission of urban residential buildings: the case of the Greater Bay Area cities in China[J]. Environmental Impact Assessment Review, 2022, 95. DOI:10.1016/j.eiar.2022.106775 |
| [21] | Ma M Y, Tang X, Shi C N, et al. Roadmap towards clean and low-carbon heating to 2060: the case of northern urban region in China[J]. Energy, 2023, 284. DOI:10.1016/j.energy.2023.129181 |
| [22] | Jung M C, Kang M Y, Kim S. Does polycentric development produce less transportation carbon emissions? Evidence from urban form identified by night-time lights across US metropolitan areas[J]. Urban Climate, 2022, 44. DOI:10.1016/j.uclim.2022.101223 |
| [23] | Tian S, Xu Y, Wang Q S, et al. Research on peak prediction of urban differentiated carbon emissions--a case study of Shandong Province, China[J]. Journal of Cleaner Production, 2022, 374. DOI:10.1016/j.jclepro.2022.134050 |
| [24] | Wei M, Cai Z, Song Y, et al. Spatiotemporal evolutionary characteristics and driving forces of carbon emissions in three Chinese urban agglomerations[J]. Sustainable Cities and Society, 2024, 104. DOI:10.1016/j.scs.2024.105320 |
| [25] | Wang Z Y, Zhang J X, Luo P J, et al. Revealing the spatio-temporal characteristics and impact mechanism of carbon emission in China's urban agglomerations[J]. Urban Climate, 2023, 52. DOI:10.1016/j.uclim.2023.101733 |
| [26] | Xing P X, Wang Y N, Ye T, et al. Carbon emission efficiency of 284 cities in China based on machine learning approach: driving factors and regional heterogeneity[J]. Energy Economics, 2024, 129. DOI:10.1016/j.eneco.2023.107222 |
| [27] | Qiao R L, Liu X C, Gao S, et al. Industrialization, urbanization, and innovation: nonlinear drivers of carbon emissions in Chinese cities[J]. Applied Energy, 2024, 358. DOI:10.1016/j.apenergy.2023.122598 |
| [28] | Liang X D, Zhan W T, Li X Y, et al. Unveiling causal dynamics and forecasting of urban carbon emissions in major emitting economies through multisource interaction[J]. Sustainable Cities and Society, 2024, 105. DOI:10.1016/j.scs.2024.105326 |
| [29] | Ke N, Lu X H, Kuang B, et al. Regional disparities and evolution trend of city-level carbon emission intensity in China[J]. Sustainable Cities and Society, 2023, 88. DOI:10.1016/j.scs.2022.104288 |
| [30] | Wei M M, Yin X G. Broadband infrastructure and urban carbon emissions: quasi-experimental evidence from China[J]. Urban Climate, 2024, 54. DOI:10.1016/j.uclim.2024.101863 |
| [31] | Zhu Y Y, Rao H C. Does low carbon city pilot promote urban carbon unlocking?——A heterogeneity analysis based on machine learning[J]. Cities, 2024, 147. DOI:10.1016/j.cities.2024.104815 |
| [32] | Zhang W S, Xu Y, Streets D G, et al. Can new-type urbanization realize low-carbon development? A spatiotemporal heterogeneous analysis in 288 cities and 18 urban agglomerations in China[J]. Journal of Cleaner Production, 2023, 420. DOI:10.1016/j.jclepro.2023.138426 |
| [33] | Cui H Y, Cao Y Q. China's cities go carbon neutral: how can new-type urbanization policies improve urban carbon performance?[J]. Sustainable Production and Consumption, 2023, 42: 74-94. |
| [34] | Wei L Y, Liu Z. Spatial heterogeneity of demographic structure effects on urban carbon emissions[J]. Environmental Impact Assessment Review, 2022, 95. DOI:10.1016/j.eiar.2022.106790 |
| [35] | Tang M G, Hu F X. Land urbanization and urban CO2 emissions: empirical evidence from Chinese prefecture-level cities[J]. Heliyon, 2023, 9(9). DOI:10.1016/j.heliyon.2023.e19834 |
| [36] | Zhang X, Zhang D. Urban carbon emission scenario prediction and multi-objective land use optimization strategy under carbon emission constraints[J]. Journal of Cleaner Production, 2023, 430. DOI:10.1016/j.jclepro.2023.139684 |
| [37] | Domon S, Hirota M, Kono T, et al. The long-run effects of congestion tolls, carbon tax, and land use regulations on urban CO2 emissions[J]. Regional Science and Urban Economics, 2022, 92. DOI:10.1016/j.regsciurbeco.2021.103750 |
| [38] | Wang C, Zhang Y B, Chen J Y, et al. The impact of urban polycentricity on carbon emissions: a case study of the Yangtze River Delta Region in China[J]. Journal of Cleaner Production, 2024, 442. DOI:10.1016/j.jclepro.2024.141127 |
| [39] | Chen H, Deng J P, Lu M T, et al. Government environmental attention, credit supply and firms' green investment[J]. Energy Economics, 2024, 134. DOI:10.1016/j.eneco.2024.107547 |