2025, Vol. 46
2. 新能源电力与低碳发展研究北京市重点实验室,北京 102200;
3. 中国电力科学研究院,北京 100192
2. Beijing Key Laboratory of New Energy Power and Low Carbon Development Research, Beijing 102200, China;
3. China Electric Power Research Institute, Beijing 100192, China
作为全球最大的能源消费国和碳排放国,中国要想实现2030年碳达峰,2060年碳中和的目标,碳减排工作仍任重而道远[1~6]. 面对减排目标和减排压力的双重制约,制定科学合理的减排路径是抑制碳排放和实现碳中和的重要基础.
近年来,中国经济发展逐渐向区域化模式转变,京津冀协同发展上升为国家战略,然而,随着经济发展区域化的同时,温室气体排放也随之呈现区域化的特征[7~11]. 事实上,温室气体排放集中出现的原因不仅在于气体本身的扩散性质,很大程度也由于区域政府在碳减排治理方面存在策略化博弈行为,在经济发展与碳减排治理的关系处理过程中存在搭便车行为,严重影响区域碳减排的治理效果[12]. 如何开展区域间协同碳减排工作,是实现区域碳减排效果整体改善的关键[13~17]. 京津冀地区作为全国重要的经济中心以及碳排放高度集中区域,对于推动低碳发展具有关键作用[18~22]. 因此,对京津冀的协同碳减排博弈行为展开研究,从而制定相应的协同碳减排策略机制,改善区域整体碳减排效果,推动碳中和目标的实现,具有重要的理论价值和现实意义.
学者们采用丰富而多样的方法对协同碳减排展开研究,通过梳理相关文献,发现多数研究选择采用博弈模型展开协同碳减排博弈的深入挖掘和分析. 现阶段,关于碳减排博弈的研究主体多集中于政府与政府间[23]、政府与企业间[24~27]和企业与企业间[28],如表1所示. 可以发现,区域间协同碳减排博弈的相关研究较少,空间因素往往被忽略,这在一定程度上脱离了区域协同一体化发展的现实. 通过进一步查阅和整理相关文献,可以发现少量选择区域作为减排博弈分析主体的研究,大多集中于省层面[29]和市层面[30],可以发现,在区域协同发展战略背景下,缺乏对区域之间的博弈进行分析和对比的研究.
|
表 1 现有文献总结 Table 1 Summary of existing literature |
关于协同碳减排博弈的相关影响因素,学者们展开了广泛的研究,主要集中在协同成本[42]、监管[43]、处罚[44]、补贴[45]和碳价格[46]等. 政府的管理和监督对碳减排策略选择的影响被探究[47]. 政府法规,碳税和补贴被考虑在伊朗发电扩张规划的同时减少碳排放的过程中[48]. 在建筑业碳减排博弈中,处罚、补贴和监督比非金融激励更有效[33]. 收入和成本对供应商和零售商合作碳减排博弈行为也有一定的影响[49]. 在绿色供应链协同减排博弈中,协同减排效益、政府补贴和绩效奖励等直接影响系统演化路径[50].
综合上述研究,可以发现协同碳减排博弈研究的主体多集中于政府和企业间,而忽略了区域主体间的空间因素,违背了区域协同一体化发展的现状,当前的研究也鲜见从区域协同的角度对碳减排进行分析和对比. 因此,本文选择对京津冀区域内北京-天津、北京-河北和天津-河北协同碳减排博弈策略选择的演化进行分析和对比,有助于不同区域间采取相应的碳减排博弈策略,对强化区域共赢意识,增强区域间治理合力,实现碳中和目标具有重要意义. 另一方面,本文提出京津冀区域协同碳减排博弈模型,可以作为协同碳减排博弈的补充和扩展,该模型也适用于国内外其他区域.
本研究的创新点如下：首先,本文从区域协同的角度对碳减排进行演化博弈研究. 其次,选取了能源消耗和碳排放量较大的京津冀区域为研究对象,对京津冀内3个区域间的两两协同碳减排博弈进行分析和对比,为区域间协同减排治理提供决策支持和依据,弥补了研究空白. 此外,在考虑碳平衡值的基础上设置协同碳减排概率,从而展开区域协同减排演化博弈分析.
1 区域协同碳减排演化博弈模型 1.1 碳平衡值计算各区域碳平衡值表示碳吸收抵消碳排放的程度,即碳平衡值越高,其低碳化水平越高,计算公式如下：
|
(1) |
|
(2) |
式中,BC碳平衡值,AC为碳吸收量,EC为碳排放量,n为碳吸收主体的类型数量,Si为第i类碳吸收主体的面积,Ci为第i类碳吸收主体的碳吸收系数.
1.2 演化博弈演化博弈模型是一种动态博弈模型,主要用于研究多个个体(或群体)在一定规则下,通过相互作用和选择来逐步演化出最佳策略. 它适用于分析各种涉及战略决策和演化过程的问题,尤其在涉及多方利益冲突、不完全信息和不确定性的情况下更为适用. 鉴于区域协同碳减排是一个涉及多方利益冲突、多方信息不确定性以及群体行为和演化规则的动态演化过程,因此,本文选择演化博弈模型对区域协同碳减排展开分析和研究. 区域协同碳减排演化博弈模型流程如图1所示.
|
图 1 区域协同碳减排演化博弈模型流程 Fig. 1 Flow of regional collaborative carbon emission reduction evolutionary game model |
假设1：假设两区域进行策略互动,并且均为有限理性人.
假设2：假设两区域都是在各自独立碳减排的基础上,选择是否参与协同碳减排.
假设3：假设碳平衡值越高,相对更接近碳盈余状态,则参与协同碳减排的意愿和付出水平相对较低；反之,碳平衡值越低,相对更接近碳赤字状态,则参与协同碳减排的意愿和付出水平相对较高.
假设4：假设两区域都选择(不)参与协同碳减排时,区域间负外部效应不明显,可不予考虑.
假设5：假设两区域都选择参与协同碳减排时,不考虑因碳排放造成的损失.
1.2.2 参数设置区域1和2的行为策略集均为｛参与协同碳减排,不参与协同碳减排｝,假设区域1选择“参与协同碳减排”策略的比例为x,选择“不参与协同碳减排”策略的比例为1-x；区域2选择“参与协同碳减排”策略的比例为y,选择“不参与协同碳减排”策略的比例为1-y.
当两区域都选择参与协同碳减排时,除了能获取各自单独碳减排的收益,还将获得协同碳减排收益,但也将付出协同碳减排成本. 当一个区域选择参与协同碳减排,另一个区域选择不参与协同碳减排时,参与一方只能获取单独碳减排的收益,并付出协同碳减排成本,还要受到不参与一方碳排放的负外部性影响,但可获得不参与一方的惩罚；不参与一方则会获取单独碳减排的收益,蒙受因碳排放带来损失,并接受上级政府的惩罚. 当两区域都选择不参与协同碳减排时,都将只获取单独碳减排的收益,并承担因碳排放造成的损失和上级政府的惩罚.
(1)两区域无论是否参与协同碳减排,都各自独立进行碳减排工作,CO2排放量分别为q1和q2,减排率分别为r1和r2,独立碳减排收益可以分别表示为pq1r1和pq2r2,其中,p为碳排放权交易市场中配额的交易价格.
(2)当两区域均参与协同碳减排时,会付出不同程度的努力,协同碳减排付出水平分别为α1和α2,协同碳减排成本可以分别表示为α1C和α2C,其中,C为协同碳减排成本系数. 双方通过优势互补,可以产生协同碳减排收益,协同碳减排收益可以分别表示为α1r1S和α2r2S,其中,S为协同碳减排收益系数.
(3)二氧化碳排放导致的气候变化会给区域带来长期综合影响,其造成的损失可以分别表示为λ(1-r1)q1和λ(1-r2)q2,其中,λ为碳排放损失系数.
(4)当一个区域选择参与协同碳减排,另一个区域选择不参与协同碳减排时,鉴于区域的空间因素和气体的流动性,参与一方会受到不参与一方的二氧化碳排放的负外部影响,可以分别表示为eλ(1-r1)q1和eλ(1-r2)q2,其中,e为负外部效应系数.
(5)上级政府对不参与协同碳减排区域给予惩罚,可以分别表示为w(1-α1)和w(1-α2),其中,w为惩罚系数,而参与协同碳减排区域将获得该惩罚.
据此,构建区域协同碳减排的博弈支付矩阵,如表2所示.
|
|
表 2 协同碳减排的博弈支付矩阵 Table 2 Game payment matrix for collaborative carbon emission reduction |
2 结果与分析 2.1 演化博弈均衡点的稳定性分析
根据表2的博弈支付矩阵,可得到区域1选择参与协同碳减排的期望收益U
11,不参与协同碳减排的期望收益U
12,平均期望收益 
|
(3) |
|
(4) |
|
(5) |
同理,区域2选择参与协同碳减排的期望收益U
21,不参与协同碳减排的期望收益U
22,平均期望收益
|
(6) |
|
(7) |
|
(8) |
分别对两区域进行复制动态分析,得到两区域在协同碳减排选择策略的复制动态方程分别为：
|
(9) |
|
(10) |
式(9)和式(10)所构成的微分方程组即可描述区域间协同碳减排决策的演化博弈过程. 具体来说,令F(x)=0,F(y)=0可以得出区域间协同碳减排决策的博弈演化系统有5个局部均衡点,分别为：(0,0)、(0,1)、(1,0)、(1,1)和(x*,y*). 其中：
|
(11) |
|
(12) |
然后,利用雅克比矩阵局部稳定性分析方法求解区域间协同碳减排博弈系统演化策略的稳定性. 通过求导可得到复制动态方程组所对应的雅可比矩阵为：
|
(13) |
并进一步计算雅克比矩阵的行列式和迹为：
|
(14) |
|
(15) |
其中：A=w-α2w-eλq2-α1r1S+eλq2r2,M=α1C-2w+α1w-λq1+α2w+eλq2+λq1r1-eλq2r2；B= w-α1w-eλq1-α2r2S+eλq1r1,N=α2C-2w+α1w-λq2+α2w+eλq1+λq2r2-eλq1r1.
根据Friedman的理论,在点(x*,y*)处,tr(J)恒为0. 因此,可以判断(x*,y*)虽然是演化博弈的均衡点,但始终不是博弈系统的稳定点. 因此,本文对其他4个均衡点在区域协同碳减排演化博弈过程中的稳定性进行分析,均衡点的局部稳定性如表3所示.
|
|
表 3 均衡点的局部稳定性 Table 3 Local stability of equilibrium points |
当M>0,N>0时,(0,0)是演化博弈系统的稳定点. 该条件下,协同减排成本,负外部影响和获得不协同方的惩罚之和小于因不参与协同的惩罚和碳排放损失之和,即双方在对方不参与协同碳减排的情况下,参与协同碳减排的总收益小于不参与的总收益,因此,不参与协同碳减排均是双方的最优选择,选择单独减排的收益更大. 在这种高协同成本、低惩罚、低损失的条件下,双方均没有主动维系协同碳减排的积极性,演化系统向(0,0)收敛,区域协同碳减排治理陷入“囚徒困境”.
当M+A>0,N<0时,(0,1)是演化博弈系统的稳定点. 区域1处于低协同收益,高协同成本,低惩罚状态,区域2处于低协同成本,高惩罚,高损失状态,区域1趋向于脱离协同关系. 当N+B>0,M<0时,(1,0)是演化博弈系统的稳定点. 区域1处于低协同成本,高惩罚,高损失状态,区域2处于低协同收益,高协同成本,低惩罚状态,区域2趋向于脱离协同关系. 可以发现,在协同碳减排关系中,成本、收益等的失衡会导致双方策略分异.
当M+A<0,N+B<0时,(1,1)是演化博弈系统的稳定点. 在此条件下,协同碳减排收益和协同碳减排成本之和大于因不参与协同的惩罚和碳排放损失之和,即双方均处于高协同收益,低协同成本,高惩罚状态,选择违背协同碳减排关系存在较大的机会成本和损失代价,此时演化博弈协同向(1,1)收敛,最终实现策略演化的“帕累托最优”.
演化博弈中的均衡点代表了一个稳定状态,当所有参与者都达到这个状态时,他们不会再做出更改或者改变他们的策略. 在演化博弈中,均衡点表示了一个种群中最有利的策略组合,可以在某种程度上反映进化的方向和结果.
通过分析协同碳减排演化博弈中的均衡点及其稳定性,探究演化博弈的稳定状态,即所有参与者都达到这个状态时,他们不会再做出改变他们的策略,从而掌握各方协同碳减排策略选择的演化方向和结果. 深入挖掘不同条件下,各方趋向于参与协同碳减排还是不参与协同碳减排,把握区域协同碳减排演化博弈机制,以探寻各方均趋向于参与协同碳减排策略的条件情况,促进区域协同减排的实现.
2.2 北京-天津协同碳减排演化博弈分析演化博弈均衡点的分析一定程度上解释了各区域维持协同关系的决策机制,但其所描述的协同机制较为抽象,既无法明确实现演化博弈稳定点的过程,也无法将影响博弈双方策略走向的因素全面展现出来. 因此,本文进一步对京津冀协同碳减排博弈进行数值模拟分析,其中,碳排放数据来源于中国城市温室气体工作组,其他相关数据来源于各省市统计年鉴.
首先,结合北京和天津的实际情况,设置相关参数如下：依据北京和天津的碳平衡值,设定两者参与协同碳减排的概率x和y分别为0.4和0.6,即北京倾向于脱离协同关系,而天津趋向于维系协同关系,其他参数设定如表4所示. 博弈系统的演化过程如图2所示,从中可知,北京和天津参与协同碳减排的概率都逐渐收敛于0,系统逐渐演化到(0,0)点.
|
|
表 4 北京-天津协同的参数设定 Table 4 Parameter settings for Beijing-Tianjin collaboration |
|
不同颜色的线条表示不同参与概率下北京和 图 2 北京-天津博弈系统演化过程 Fig. 2 Evolution process of the Beijing-Tianjin game system |
然后,固定其他参数,分别改变S、C、e、w、p、r1和r2,对比并分析博弈双方的策略走向. 其中,S、e和p的变化对北京和天津的策略走向几乎没有影响,由于篇幅原因,不列出其模拟图.
保持其他参数不变,分别设置协同减排成本系数(C)为3、6和9,北京和天津协同碳减排的策略走向如图3所示. C=3时,双方实现协同碳减排,C提升至6和9时,双方均趋向于不参与协同碳减排,这表明,较高的协同减排成本会导致北京-天津协同减排向“囚徒困境”演变,这与2.1节的演化博弈过程分析结果一致,而协同减排成本的降低会导致北京和天津参与协同碳减排的意愿明显提高,促进协同减排的达成. 值得注意的是,当C=6时,双方大约经过6次博弈达到(0,0),而C=9时,仅经过2次博弈,降低至原来博弈次数的33.3%,说明北京和天津的参与意愿对协同减排成本较为敏感,即使协同碳减排成本少许提高,也会导致双方参与协同碳减排的意愿大幅度降低,进而导致无法实现区域的协同碳减排.
|
图 3 不同协同减排成本系数下的北京-天津协同概率变动 Fig. 3 Changes in the probabilities of Beijing-Tianjin collaboration under different collaborative emission reduction cost coefficients |
保持其他参数不变,分别设置惩罚系数w为0.5、1.5、2.5和3.5,北京和天津协同碳减排的策略走向如图4所示. w为0.5、1.5和2.5时,北京和天津都趋向于不参与协同碳减排,经过的博弈次数分别为4、7和26,而当w提升至3.5时,北京趋向于参与协同碳减排,而天津依据趋向于不参与协同碳减排. 在低、中惩罚的情况下,北京和天津之间的约束机制尚未形成,双方通过脱离协同关系能避开协同碳减排成本,因此,双方在低惩罚的拉力作用下均会做出脱离协同的策略. 而在高惩罚的情况下,北京在倒逼作用下会选择维持协同减排关系. 可以发现,北京和天津对惩罚系数具有一定的敏感度,惩罚系数的提高能一定程度地提高双方参与协同减排的意愿,但其作用程度小于协同减排成本系数,因为惩罚系数的提高最终也无法实现协同碳减排.
|
图 4 不同惩罚系数下的北京-天津协同概率变动 Fig. 4 Changes in the probabilities of Beijing-Tianjin collaboration under different penalty coefficients |
此外,保持其他参数不变,分别设置减排率r1=0.2,r2=0.4；r1=0.4,r2=0.6；r1=0.6,r2=0.8,北京和天津协同碳减排的策略走向如图5所示. 可以发现随着北京和天津减排率的提升,双方分别经过25、7和5次博弈达到(0,0),双方向不参与协同碳减排的收敛速度越来越快,这是因为较好的减排效果会使双方产生倦性,使得参与协同碳减排的积极性有所减弱.
|
图 5 不同减排率下的北京-天津协同概率变动 Fig. 5 Changes in the probabilities of Beijing-Tianjin collaboration under different emission reduction rates |
设置北京和河北参与协同碳减排的概率x和y分别为0.2和0.8,其他参数设定如表5所示. 博弈系统的演化过程如图6所示,从中可知,北京和河北参与协同碳减排的概率都逐渐收敛于1,系统逐渐演化到(1,1)点.
|
|
表 5 北京-河北协同的参数设定 Table 5 Parameter settings for Beijing-Hebei collaboration |
|
不同颜色的线条表示不同参与概率下北京和河北参与协同碳减排的演化趋势 图 6 北京-河北博弈系统演化过程 Fig. 6 Evolution process of the Beijing-Hebei game system |
与2.2节类似,保持其他参数不变,分析各参数对博弈双方策略走向的影响,其中,e和p的变化对北京和河北的策略走向几乎没有影响.
保持其他参数不变,分别设置协同碳减排收益系数S为1.5、2.5和3.5,北京和河北协同碳减排的策略走向如图7所示. 北京和河北分别经过10、7和6次博弈实现了协同减排,说明随着协同碳减排收益的提升,北京和河北向协同减排的收敛速度越来越快,这与2.1节的演化博弈过程分析结果一致. 因为,各区域参与协同减排的过程中仍然以区域利益最大化为导向,从协同关系中获得的收益是双方协同决策的关键因素之一,协同减排收益越高,双方达成协同共识的概率越高.
|
图 7 不同协同减排收益系数下的北京-河北协同概率变动 Fig. 7 Changes in the probabilities of Beijing-Hebei collaboration under different collaborative emission reduction benefit coefficients |
保持其他参数不变,分别设置协同减排成本系数C为3、6和9,北京和河北协同碳减排的策略走向如图8所示. 协同减排成本系数C=3和6时,双方大约经过4次和8次博弈实现协同治理,C=9时,河北趋向参与协同碳减排,北京则趋向于不参与协同碳减排,这表明,较大的协同减排成本可能会导致北京参与北京-河北协同碳减排的意愿下降. 此外,当C由6降至3时,达到(1,1)的均衡博弈次数降低了50%,说明北京和河北对协同减排成本具有较高的敏感度.
|
图 8 不同协同减排成本系数下的北京-河北协同概率变动 Fig. 8 Changes in the probabilities of Beijing-Hebei collaboration under different collaborative emission reduction cost coefficients |
保持其他参数不变,分别设置惩罚系数w为0.5、1.5、2.5和3.5,北京和河北协同碳减排的策略走向如图9所示. 北京和河北分别经过20、8、5和4次博弈实现协同减排,说明惩罚系数的提高能够加快北京和河北向协同减排的收敛速度,这与协同碳减排收益系数的作用相似.
|
图 9 不同惩罚系数下的北京-河北协同概率变动 Fig. 9 Changes in the probabilities of Beijing-Hebei collaboration under different penalty coefficients |
此外,保持其他参数不变,分别设置减排率r1=0.2,r2=0.4；r1=0.4,r2=0.6；r1=0.6,r2=0.8,北京和河北协同碳减排的策略走向如图10所示. 北京和河北分别经过5、8和15次博弈实现协同碳减排,双方向协同减排的收敛速度逐渐变慢,这是由于减排效果的改善对双方带来的倦性造成的,在北京-天津协同碳减排分析中已详细说明,这里就不过多赘述.
|
图 10 不同减排率下的北京-河北协同概率变动 Fig. 10 Changes in the probabilities of Beijing-Hebei collaboration under different emission reduction rates |
设置天津和河北参与协同碳减排的概率x和y分别为0.3和0.7,其他参数设定如表6所示. 天津和河北协同碳减排博弈系统的演化过程和北京-河北的相似,系统逐渐演化到(1,1)点,双方参与协同碳减排的概率都逐渐收敛于1.
|
|
表 6 天津-河北协同的参数设定 Table 6 Parameter settings for Tianjin-Hebei collaboration |
与2.2节类似,保持其他参数不变,分析各参数对博弈双方策略走向的影响,其中,e和p的变化对天津和河北的策略走向几乎没有影响. 协同减排收益系数S,协同减排成本系数C和惩罚系数w对天津和河北策略走向的影响和对北京和河北的影响几乎一样,这里不再赘述.
值得一提的是,保持其他参数不变,分别设置减排率r1=0.2和r2=0.4、r1=0.4和r2=0.6以及r1=0.6和r2=0.8,天津和河北协同碳减排的策略走向如图11所示. 天津和河北分别经过5、10和30次博弈实现协同碳减排,远远大于北京和河北的5、8和15次博弈,可见减排率对天津和河北向协同减排收敛速度的影响更加明显.
|
图 11 不同减排率下的天津-河北协同概率变动 Fig. 11 Changes in the probabilities of Tianjin-Hebei collaboration under different emission reduction rates |
结合北京-天津、北京-河北、天津-河北协同碳减排演化博弈分析结果,负外部效应系数e和碳配额价格p的变化对京津冀的策略走向均几乎没有影响.
协同碳减排收益系数S对北京-天津的协同策略走向几乎没有影响,而对于北京-河北和天津-河北的协同碳减排博弈,协同碳减排收益的提升能加快双方向协同减排的收敛速度,提高双方参与协同碳减排的积极性. 因此,在北京-河北和天津-河北协同碳减排机制的构建过程中,应充分考虑协同碳减排收益因素,适当提高协同碳减排收益,促进双方达成协同共识.
协同减排成本系数C对京津冀协同策略走向均有较为明显的影响,协同减排成本的增大会导致北京-天津协同减排博弈从(1,1)走向(0,0),导致北京-河北和天津-河北协同减排博弈中碳平衡值较高一方参与协同碳减排的意愿大幅下降,最终选择不参与协同. 因此,在京津冀碳减排协同治理过程中,设置合理的协同减排成本,对维系京津冀协同减排关系至关重要.
惩罚系数w对京津冀协同策略走向也具有一定程度的影响,提高惩罚能够促使北京-天津协同博弈中北京趋向于参与协同,脱离“囚徒困境”,还能够加快北京-河北和天津-河北向协同减排的收敛速度. 因此,在构建协同碳减排机制时,尤其是北京-天津区域间,应注重同时建立相当力度的违背协同惩罚机制,提高双方参与协同碳减排的意愿.
减排率r1和r2的提升会导致北京-天津向均不参与协同碳减排的收敛速度变快,还会导致北京-河北和天津-河北向协同碳减排的收敛速度变慢,尤其是天津-河北. 因此,在构建并完善京津冀协同碳减排机制过程中,随着减排率的逐步提高,应更加关注双方参与协同碳减排的积极性,尤其是天津和河北区域间应给予更多关注,注意调整因达到一定减排效果而带来的倦性,不能因此掉以轻心,从而保障协同减排治理的稳定性.
4 建议(1)对北京而言,需在区域协同碳减排方面给予积极的政策支持和财政支持,促进北京积极参与区域协同碳减排. 例如,对北京的企业碳减排行为给予技术支持、对使用新能源的个体建立能源补偿机制等,减少北京政府维系协同碳减排的成本. 此外,由于北京对不参与区域协同碳减排的惩罚措施具有较高的敏感性,因此在鼓励积极参与区域协同减排的同时还需健全惩戒性制度机制,组建区域性质的监督机构,对各方协同碳减排情况进行监督和检查,政府也应对不作为的企业采取一定惩戒措施,例如减少政策扶持力度等限制企业的不作为行为.
(2)对天津而言,由于其对区域协同减排成本具有较高的敏感性,因此,也应给予当地企业积极减排行为给予适当的政策扶持,对企业的碳减排行为给予相应的财政奖励,对使用新能源的企业建立补偿机制,多方位降低低碳企业的减排成本. 此外,由于天津在区域协同减排时对减排率较为敏感,因此在给予当地低碳企业政策扶持的基础上,应出台一系列低碳政策,保障天津在区域协同减排方面的持续性和稳定性,避免出现初期减排效果突出而后续乏力的问题,例如,可设立区域性环境协同治理基金,对企业碳减排行为给予税收优惠,激发政府持续参与区域协同碳减排的动力,调动各方参与协同碳减排的积极性.
(3)对河北而言,应积极搭建与北京和天津的区域合作交流平台,包括交易信息服务平台、人才共享交流平台、产业对接供需平台等,实现低碳技术、项目和人才的集成创新,降低搜寻、开发和交易的成本,保障区域经济和减排的并重发展. 通过协同合作实现资源优势互补,降低减排成本、提高减排效率和收益.
5 结论(1)协同减排收益越大,越有利于维护北京-河北和天津-河北的协同碳减排关系.
(2)协同减排成本过大,会导致北京-天津协同减排博弈中的双方以及北京-河北和天津-河北协同减排博弈中碳平衡值较高一方参与协同碳减排的意愿大幅下降,趋向于独立减排,导致协同碳减排关系的破裂.
(3)在京津冀协同碳减排治理过程中,对违背一方施以一定程度的惩罚,有利于双方脱离“囚徒困境”,维持协同减排关系,尤其是北京-天津区域间.
(4)减排率的提升会使博弈双方产生倦性,对参与协同碳减排的积极性下降,导致京津冀协同碳减排的稳定性减弱. 本文构建的模型还适用于城市群其他事务的协同博弈,具有可推广性.
| [1] |
陈先鹏, 余福强, 方恺, 等. 碳中和目标背景下中国省域能源碳排放公平性多维评价[J]. 生态学报, 2024, 44(23): 10688-10698. Chen X P, Yu F Q, Fang K, et al. The multi-dimensional assessment of China's provincial energy-related carbon emission equity under the goal of carbon neutrality[J]. Acta Ecologica Sinica, 2024, 44(23): 10688-10698. |
| [2] |
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. |
| [3] |
洪竞科, 黄河, 王先柱. 经济结构转型的碳减排效应[J]. 资源科学, 2023, 45(11): 2103-2116. Hong J K, Huang H, Wang X Z. The effect of economic structural transformation on carbon emission reduction[J]. Resources Science, 2023, 45(11): 2103-2116. DOI:10.18402/resci.2023.11.01 |
| [4] |
刘成昆, 彭庭莹, 曾冰, 等. 国家级新区设立对碳减排的影响[J]. 热带地理, 2023, 43(11): 2049-2059. Liu C K, Peng T Y, Zeng B, et al. Impact of establishment of national new area on carbon reduction[J]. Tropical Geography, 2023, 43(11): 2049-2059. |
| [5] |
方丹, 杨谨, 陈绍晴. 城市群多中心发展的碳减排效应及其作用机制[J]. 中国人口·资源与环境, 2023, 33(9): 45-58. Fang D, Yang J, Chen S Q. Effects and mechanisms of the polycentric development of urban agglomerations on carbon emission reduction[J]. China Population, Resources and Environment, 2023, 33(9): 45-58. |
| [6] |
刘平阔, 桂俊卿. 中国区域碳中和的技术溢出与能源回弹: 机理、实证及启示[J]. 自然资源学报, 2023, 38(12): 3003-3023. Liu P K, Gui J Q. Technology spillover and energy rebound of carbon neutrality in eight regions of China: theory,empirical analysis and enlightenment[J]. Journal of Natural Resources, 2023, 38(12): 3003-3023. |
| [7] | Dong J, Li C B. Structure characteristics and influencing factors of China's carbon emission spatial correlation network: A study based on the dimension of urban agglomerations[J]. Science of the Total Environment, 2022, 853: doi: 10.1016/j.scitotenv.2022.158613.. |
| [8] |
吴乐英, 赵义义, 苗长虹, 等. 基于多区域投入产出的黄河流域贸易隐含碳排放时空格局及结构分解[J]. 生态学报, 2024, 44(19): 8737-8750. Wu L Y, Zhao Y Y, Miao C H, et al. Spatial-temporal pattern and structural decomposition of trade-embodied carbon emissions in the Yellow River Basin based on multi-regional input-output analysis[J]. Acta Ecologica Sinica, 2024, 44(19): 8737-8750. |
| [9] |
张娜, 孙芳城, 胡钰苓. 长江经济带碳排放效率的时空演变、区域差异及影响因素研究[J]. 长江流域资源与环境, 2024, 33(6): 1325-1339. Zhang N, Sun F C, Hu Y L. Spatio-temporal evolution, regional differences, and influencing factors of carbon emission efficiency in the Yangtze river economic belt[J]. Resources and Environment in the Yangtze Basin, 2024, 33(6): 1325-1339. |
| [10] |
吴小妮, 管卫华, 张惠, 等. 长三角城市群碳排放效率与高质量发展的时空耦合特征及影响因素[J]. 长江流域资源与环境, 2023, 32(11): 2273-2284. Wu X N, Guan W H, Zhang H, et al. Spatio-temporal coupling characteristics and driving factors of carbon emission efficiency and high-quality development in Yangtze river delta urban agglomeration[J]. Resources and Environment in the Yangtze Basin, 2023, 32(11): 2273-2284. |
| [11] |
钱志权, 韩佳银. 长三角城市群新型城镇化与低碳发展耦合过程与机理[J]. 长江流域资源与环境, 2023, 32(11): 2285-2297. Qian Z Q, Han J Y. Coupling process and mechanism of new-type urbanization and low-carbon development in Yangtze river delta urban agglomeration[J]. Resources and Environment in the Yangtze Basin, 2023, 32(11): 2285-2297. |
| [12] | Hu Y, Chi Y Y, Zhou W B, et al. The interactions between renewable portfolio standards and carbon emission trading in China: an evolutionary game theory perspective[J]. Energy, 2023, 271: doi: 10.1016/j.energy.2023.127047.. |
| [13] |
赵鸿潇, 程钰, 王丹, 等. 中国三大城市群绿色技术合作空间演化及其碳减排效应[J]. 自然资源学报, 2024, 39(6): 1341-1357. Zhao H X, Cheng Y, Wang D, et al. Spatial evolution of green technology cooperation among three major urban agglomerations in China and its carbon emission reduction effect[J]. Journal of Natural Resources, 2024, 39(6): 1341-1357. |
| [14] |
张文彬, 宋建波. 中国低碳经济协同效率的区域差异及其影响因素[J]. 经济地理, 2024, 44(3): 22-32, 55. Zhang W B, Song J B. Regional differences and influencing factors of China's low-carbon economic synergy efficiency[J]. Economic Geography, 2024, 44(3): 22-32, 55. |
| [15] |
张向前, 刘祺. 跨区域环境规制降低碳排放的政策效应分析——基于长三角协同发展政策的准自然实验[J]. 长江流域资源与环境, 2024, 33(8): 1715-1727. Zhang X Q, Liu Q. Policy effect analysis of cross-regional environmental regulations on carbon emission reduction: a Quasi-natural experiment based on coordinated development policies in the Yangtze river delta[J]. Resources and Environment in the Yangtze Basin, 2024, 33(8): 1715-1727. |
| [16] |
夏峥, 俞洁, 徐益杰, 等. 基于区域环境空气质量和碳排放数据的减污降碳协同效果评估[J]. 中国环境监测, 2023, 39(5): 60-68. Xia Z, Yu J, Xu Y J, et al. Evaluation of the synergistic reduction effect of pollution and carbon emissions based on data of regional ambient air quality and carbon emissions[J]. Environmental Monitoring in China, 2023, 39(5): 60-68. |
| [17] |
朱嘉豪, 许章华, 李诗涵, 等. 福州都市圈能源消费碳排放空间网络结构演化及其影响因素研究[J]. 地理与地理信息科学, 2023, 39(6): 75-83. Zhu J H, Xu Z H, Li S H, et al. Evolution of spatial network structure of carbon emissions from energy consumption and its influencing factors in the Fuzhou metropolitan area[J]. Geography and Geo-Information Science, 2023, 39(6): 75-83. DOI:10.3969/j.issn.1672-0504.2023.06.010 |
| [18] |
颜建军, 邓楠, 陈彬, 等. “双碳”目标下京津冀地区碳足迹变化及其影响因素研究[J]. 生态学报, 2025, 45(3). Yan J J, Deng N, Chen B, et al. Study on carbon footprint changes and influencing factors in Beijing-Tianjin-Hebei region under the "Dual-Carbon" goal[J]. Acta Ecologica Sinica, 2025, 45(3). DOI:10.20103/j.stxb.202404020707 |
| [19] |
胡剑波, 周宗康. “双碳”目标下京津冀城市群碳强度与经济高质量发展协同研究[J]. 地理与地理信息科学, 2024, 40(4): 116-123. Hu J B, Zhou Z K. Coordination of carbon intensity and high-quality economic development for the Beijing-Tianjin-Hebei urban agglomeration under China's dual carbon goals[J]. Geography and Geo-Information Science, 2024, 40(4): 116-123. |
| [20] |
安敏, 王丽杰, 滕明月, 等. 京津冀地区PM2.5与CO2的协同控制效应及调控因素研究[J]. 环境科学与技术, 2024, 47(7): 63-73. An M, Wang L J, Teng M Y, et al. Study on synergistic control effect and regulatory factors of PM2.5 and CO2 in Beijing-Tianjin-Hebei region[J]. Environmental Science & Technology, 2024, 47(7): 63-73. |
| [21] |
付加锋, 岳丽艳, 郑林昌, 等. 京津冀地区大气污染物与二氧化碳的协同减排分析[J]. 生态经济, 2024, 40(6): 164-171. Fu J F, Yue L Y, Zheng L C, et al. Analysis on synergistic emission reduction of atmospheric pollutant and carbon Dioxide in Beijing-Tianjin-Hebei region[J]. Ecological Economy, 2024, 40(6): 164-171. |
| [22] |
狄乾斌, 梁晨露, 陈小龙. 京津冀减污降碳与经济发展的动态关联研究[J]. 地理与地理信息科学, 2024, 40(5): 124-133. Di Q B, Liang C L, Chen X L. Dynamic correlation between reduction of pollution and carbon emissions and economic growth in the Beijing-Tianjin-Hebei urban agglomeration[J]. Geography and Geo-Information Science, 2024, 40(5): 124-133. DOI:10.3969/j.issn.1672-0504.2024.05.016 |
| [23] |
贺晔平, 廖朴. 碳保险、低碳财税政策与农业碳减排——基于碳排放权交易下的演化博弈分析[J]. 软科学, 2024, 38(5): 107-117. He Y P, Liao P. Carbon insurance, low-carbon fiscal and tax policies, and agricultural carbon reduction: an evolutionary game analysis based on carbon emission trading[J]. Soft Science, 2024, 38(5): 107-117. |
| [24] |
杨洁, 曾子豪, 吴林炜, 等. 限制交流结构下供应链碳减排策略的非合作-合作两型博弈研究[J]. 系统工程理论与实践, 2023, 43(10): 2928-2940. Yang J, Zeng Z H, Wu L W, et al. Biform games for supply chain carbon emission reduction strategy with restricted communication structure[J]. Systems Engineering-Theory & Practice, 2023, 43(10): 2928-2940. DOI:10.12011/SETP2022-2730 |
| [25] |
崔宁, 周宇, 赵晓亮. 四方主体参与碳减排的演化博弈研究[J]. 中国环境科学, 2023, 43(12): 6788-6802. Cui N, Zhou Y, Zhao X L. Research on the evolutionary game of carbon emission reduction involving four entities[J]. China Environmental Science, 2023, 43(12): 6788-6802. DOI:10.3969/j.issn.1000-6923.2023.12.053 |
| [26] |
谢荣见, 伍园梅, 贾玉财. 考虑政府绿色偏好的集群企业共创价值演化路径[J]. 中国人口·资源与环境, 2023, 33(11): 117-130. Xie R J, Wu Y M, Jia Y C. Evolution paths of co-creation values for cluster enterprises considering government green preferences[J]. China Population, Resources and Environment, 2023, 33(11): 117-130. |
| [27] |
杨霞, 何刚, 吴传良, 等. 碳交易机制下政府与重污染企业碳减排演化博弈分析[J]. 安全与环境学报, 2023, 23(11): 4097-4107. Yang X, He G, Wu C L, et al. Carbon emission reduction between government and heavily polluting enterprises under carbon trading mechanism based on evolutionary game analysis[J]. Journal of Safety and Environment, 2023, 23(11): 4097-4107. |
| [28] |
方国昌, 何宇, 田立新. 碳交易驱动下的政企碳减排演化博弈分析[J]. 中国管理科学, 2024, 32(5): 196-206. Fang G C, He Y, Tian L X. Evolutionary game analysis of government and enterprises carbon-reduction under the driven of carbon trading[J]. Chinese Journal of Management Science, 2024, 32(5): 196-206. |
| [29] |
刘志华, 徐军委, 张彩虹. 省域横向碳生态补偿的演化博弈分析[J]. 软科学, 2021, 35(11): 115-122. Liu Z H, Xu J W, Zhang C H. The evolutionary game analysis of inter-provincial horizontal carbon ecological compensation[J]. Soft Science, 2021, 35(11): 115-122. |
| [30] | Wang R, Li Y H, Gao B T. Evolutionary game- based optimization of green certificate- carbon emission right- electricity joint market for thermal-wind-photovoltaic power system[J]. Global Energy Interconnection, 2023, 6(1): 92-102. DOI:10.1016/j.gloei.2023.02.008 |
| [31] | Liu X X, Wang W W, Wu W Q, et al. Using cooperative game model of air pollution governance to study the cost sharing in Yangtze River Delta region[J]. Journal of Environmental Management, 2022, 301: doi: 10.1016/j.jenvman.2021.113896.. |
| [32] | Meng L P, Liu K M, He J L, et al. Carbon emission reduction behavior strategies in the shipping industry under government regulation: a tripartite evolutionary game analysis[J]. Journal of Cleaner Production, 2022, 378: doi: 10.1016/j.jclepro.2022.134556.. |
| [33] | Song X N, Shen M, Lu Y J, et al. How to effectively guide carbon reduction behavior of building owners under emission trading scheme？An evolutionary game-based study[J]. Environmental Impact Assessment Review, 2021, 90: doi: 10.1016/J.EIAR.2021.106624.. |
| [34] | Meng L P, Wang J M, Yan W, et al. A differential game model for emission reduction decisions between ports and shipping enterprises considering environmental regulations[J]. Ocean & Coastal Management, 2022, 225: doi: 10.1016/j.ocecoaman.2022.106221.. |
| [35] | Zhang C, Zhang X X. Evolutionary game analysis of air pollution co-investment in emission reductions by steel enterprises under carbon quota trading mechanism[J]. Journal of Environmental Management, 2022, 317: doi: 10.1016/jjenvman.2022.115376.. |
| [36] | 王红春, 卢意, 宁旭. 考虑股权合作的逆向供应链减排决策[J]. 会计之友, 2023(23): 67-73. DOI:10.3969/j.issn.1004-5937.2023.23.011 |
| [37] | Zhi B D, Liu X H, Chen J L, et al. Collaborative carbon emission reduction in supply chains: an evolutionary game-theoretic study[J]. Management Decision, 2019, 57(4): 1087-1107. DOI:10.1108/MD-09-2018-1061 |
| [38] | Wang B J, Ji F, Zheng J, et al. Carbon emission reduction of coal-fired power supply chain enterprises under the revenue sharing contract: perspective of coordination game[J]. Energy Economics, 2021, 102: doi: 10.1016/j.eneco.2021.105467.. |
| [39] | Qin Q D, Liu Y, Huang J P. A cooperative game analysis for the allocation of carbon emissions reduction responsibility in China's power industry[J]. Energy Economics, 2020, 92: doi: 10.1016/j.eneco.2020.104960.. |
| [40] | Xie Q W, Xu Q F, Rao K F, et al. Water pollutant discharge permit allocation based on DEA and non-cooperative game theory[J]. Journal of Environmental Management, 2022, 302: doi: 10.1016/j.jenvman.2021.113962.. |
| [41] | Shi G M, Wang J N, Fu F, et al. A study on transboundary air pollution based on a game theory model: cases of SO2 emission reductions in the cities of Changsha, Zhuzhou and Xiangtan in China[J]. Atmospheric Pollution Research, 2017, 8(2): 244-252. DOI:10.1016/j.apr.2016.09.003 |
| [42] |
王道平, 董汉玺, 张可. 区块链技术驱动下考虑减排积极性的动态低碳供应链微分博弈[J]. 系统科学与数学, 2024, 44(5): 1412-1431. Wang D P, Dong H X, Zhang K. Differential game of dynamic low-carbon supply chain driven by block-chain technology and considering enthusiasm for emission reduction[J]. Journal of Systems Science and Mathematical Sciences, 2024, 44(5): 1412-1431. |
| [43] |
周春雷, 刘文思, 张羽舒, 等. 基于系统动力学的碳标签产品市场均衡策略[J]. 电力系统保护与控制, 2024, 52(9): 70-78. Zhou C L, Liu W S, Zhang Y S, et al. Market equilibrium strategy of carbon-labeled products based on system dynamics[J]. Power System Protection and Control, 2024, 52(9): 70-78. |
| [44] |
周慧妮, 张斌, 谭勇, 等. 动态需求扰动下双渠道联合减排策略及协调机制分析[J]. 运筹与管理, 2024, 33(4): 181-187. Zhou H N, Zhang B, Tan Y, et al. Joint emission reduction strategies and coordination mechanism disturbed by dynamic demand in a dual-channel chain[J]. Operations Research and Management Science, 2024, 33(4): 181-187. |
| [45] |
张玉豪, 张涛. 碳交易和绿色补贴政策下的低碳供应链最优决策与协调[J]. 技术经济, 2024, 43(4): 159-176. Zhang Y H, Zhang T. Optimal decisions and coordination of low-carbon supply chain under cap-and-trade regulation and government subsidy[J]. Journal of Technology Economics, 2024, 43(4): 159-176. |
| [46] |
刘靓颖, 蒋凯, 刘念, 等. 基于主从博弈的园区多主体能量-碳配额共享机制[J]. 中国电机工程学报, 2024, 44(6): 2119-2130. Liu L Y, Jiang K, Liu N, et al. Multi-agent energy-carbon sharing mechanism for parks based on stackelberg game[J]. Proceedings of the CSEE, 2024, 44(6): 2119-2130. |
| [47] | Zhao R, Neighbour G, Han J J, et al. Using game theory to describe strategy selection for environmental risk and carbon emissions reduction in the green supply chain[J]. Journal of Loss Prevention in the Process Industries, 2012, 25(6): 927-936. DOI:10.1016/j.jlp.2012.05.004 |
| [48] | Haghighi R, Yektamoghadam H, Dehghani M, et al. Generation expansion planning using game theory approach to reduce carbon emission: A case study of Iran[J]. Computers & Industrial Engineering, 2021, 162: doi: 10.1016/j.cie.2021.107713.. |
| [49] | Liu Z, Huang Y Q, Shang W L, et al. Precooling energy and carbon emission reduction technology investment model in a fresh food cold chain based on a differential game[J]. Applied Energy, 2022, 326: doi: 10.1016/j.apenergy.2022.119945.. |
| [50] | Liu Z, Qian Q S, Hu B, et al. Government regulation to promote coordinated emission reduction among enterprises in the green supply chain based on evolutionary game analysis[J]. Resources, Conservation and Recycling, 2022, 182: doi: 10.1016/j.resconrec.2022.106290.. |