2026, Vol. 47
全球气候变化已成为人类面临的重大挑战，对生态系统和经济社会发展构成深远影响[1]. 国际能源署（IEA）《2023年碳排放报告》显示，2023年全球与能源相关的二氧化碳排放量同比增长1.1%，达到创纪录的374亿t. 其中，中国作为全球最大的发展中国家，碳排放量达126亿t，占全球总量的34%，同比增长约5.65亿t，增幅居全球首位. 若维持现有能源消费趋势，中国碳排放量在2030年可能攀升至100亿~110亿t，难以如期实现碳达峰目标[2]. 面对从碳达峰到碳中和仅有30 a的紧迫时间窗口，探索符合国情的低碳转型路径迫在眉睫[3]. 在此背景下，工业主导型城市作为区域经济发展引擎和碳排放主要来源，其减排路径研究具有重要的理论和现实意义.
西北工业城市的低碳转型面临显著的“效率-结构-公平性”三维困境，这一特征与全国其他地区形成鲜明对比. 首先，在碳排放效率方面，西部地区长期处于全国较低水平，与东部地区存在显著差距，能效落后省份以西部为主[4]；其次，在能源结构方面，煤炭消费占比远高于全国平均，导致西北部分省份长期难以实现经济增长与碳排放的脱钩[5]；最后，就区域公平性而言，西部地区人均碳排放差距持续扩大，逐渐形成“西高东低”的空间格局[6]. 这种三维困境的交互作用，通过路径依赖效应进一步强化了西北工业城市低碳转型的系统性阻力.
兰州市作为西北地区重要的工业城市和“一带一路”关键节点城市，其碳排放问题具有典型的研究价值. 2015年，兰州市作为非低碳试点城市的特殊身份参加巴黎气候大会，并于2017年获批成为全国第三批低碳试点城市[7]. 同时，根据《甘肃省强工业行动实施方案（2022-2025年）》要求，兰州市还肩负着引领全省工业经济发展的重任[8]. 数据显示，兰州市工业增加值占GDP比例达到33%~38%，其中重工业占比长期维持在80%左右[9]，在这种既要推动经济增长又要实现低碳转型的双重压力下，系统研究兰州市碳排放特征并探索切实可行的减排路径，不仅对西北地区工业城市绿色转型具有重要参考价值，也为平衡经济发展与环境保护提供了典型样本.
国内外学者围绕碳减排领域的研究主要聚焦于以下3个核心方向：一是在碳排放驱动因素研究方面，该领域主要采用量化分析方法识别关键影响因素. Zhang等[10]结合非径向方向性距离函数（NDDF）与机器学习方法，发现中国城市PM2.5与CO2协同减排成本存在显著区域异质性. Zheng等[11]创新性地采用分位数回归模型，发现可再生能源发展显著抑制碳排放强度. 杨莉莎等[12]基于指数分解与生产理论分解的综合框架，揭示了减排效率与实际效果之间的重要差异. 二是在碳达峰与碳中和路径研究方面，学界围绕“双碳”目标构建了多层次研究框架. 在国家层面，胡鞍钢[13]通过构建“经济-能源-政策”协同模型，指出将非化石能源占比提升至25%并协同煤炭消费削减等政策是实现2030碳达峰目标的关键路径. 区域视角下，Sun等[14]采用扩展的STIRPAT模型来预测中国省级排放轨迹，研究发现我国多数省份有望在2030年前实现碳达峰. 林伯强[15]通过情景分析表明，清洁能源发展与能源需求增长的动态平衡将决定碳达峰峰值. 三是在碳减排政策与技术协同研究方面，该领域侧重减排路径的模拟优化与政策评估. Li等[16]分析中国碳交易政策对大气污染物与健康的协同影响，提出“能源-环境-健康”的3E协同路径，优化可再生能源布局以加速碳达峰. Li等[17]通过构建集成预测模型，模拟了9种情景下中国CO2排放与森林碳汇的协同效应，证实了2060年前实现碳中和的技术可行性. 禹湘等[18]基于STIRPAT模型的城市比较研究，提出了分类指导的减排策略.
在碳排放预测研究方法方面，能源环境模型已成为重要的分析工具，根据建模原理可划分为自上而下和自下而上两类研究范式. 自上而下模型包括CGE模型[19，20]、IPAC模型[21，22]、MESSAGE模型[23]和SD模型[24~26]，主要从宏观经济视角评估政策影响，而自下而上模型则包括LEAP模型[27，28]、TIMES模型[29]以及MEIC模型[30，31]则基于工程技术参数进行微观层面的模拟分析. 其中，由斯德哥尔摩环境研究所和波士顿大学联合开发的LEAP（long-range energy alternatives planning system）模型[32，33]，其依据研究目的、数据可获取性和研究对象特征灵活构建模型结构，尤其适用于能源数据基础较为薄弱的城市层面. 该模型采用“自下而上”的物理建模方法，能够整合城市中工业、交通和建筑等关键部门的能源消费与技术细节，实现对碳排放的精细化核算. 同时，其情景分析功能支持模拟不同政策干预与增长路径下的减排潜力，为城市制定差异化低碳发展战略提供了有力的量化工具，被广泛应用于国家、区域、行业和城市层面的碳排放研究[34~37]. 该模型能有效支持多情景分析，为碳中和路径提供量化依据[38~40]. Wang等[41]运用LEAP模型对成都市道路交通碳排放的研究证实了低碳情景下2030年前达峰的可能性. 庞可等[42]针对兰州市交通部门的模拟则发现，不同政策强度下碳排放达峰时间存在显著差异. 贾晶迪等[43]对山西省的长期模拟揭示了能源消费与碳排放的动态演变规律. Duan等[44]更创新性地将该模型应用于吉林省工业部门的全生命周期排放测算. 然而，现有研究仍存在明显不足：首先，传统LEAP模型在应用于西北工业城市时，往往缺乏对区域特色参数与政策约束的系统整合，导致模型适应性不足、预测精度有限，难以有效支撑差异化政策设计；其次，多数研究侧重于单一减排政策的效果分析，缺乏对产业结构调整、能源清洁转型等多维度政策协同效应的系统量化与比较，未能充分揭示不同措施组合的时序贡献与互动机制；最后，现有成果在针对“一带一路”节点型工业城市的研究中，对“经济增长-减排降碳”协同路径的探讨仍较薄弱，尚未形成兼顾工业绿色强化与碳中和目标、可供同类地区推广的差异化转型方案.
本研究以兰州市为典型案例，基于LEAP模型构建了工业主导型城市碳排放预测系统，通过设置基准情景、产业结构优化情景、能源转型情景和蓝图情景4种政策情景，系统模拟2023~2060年碳排放演变路径. 本研究创新性主要体现在：①改进了传统LEAP模型框架，通过整合区域特色参数和政策约束条件，构建了适用于西北工业城市的“经济-能源-政策”耦合评估模型，显著提升了模拟精度和政策指导价值；②创新性地采用多维度政策协同分析视角，系统比较了产业结构调整、能源转型等单一措施与协同路径的减排效果，量化了不同政策组合的时序贡献特征和协同效应；③为“一带一路”节点城市提供差异化减排方案，平衡工业增长与碳中和目标，提出了具有区域特色的“强工业-低碳”协同发展路径，以期为同类城市提供可操作的低碳转型方案.
1 材料与方法 1.1 LEAP模型本研究采用长期能源替代规划系统（LEAP）构建兰州市产业碳排放预测模型，如图 1所示. 该模型支持多情景下的碳排放路径预测[45~51]. 基于历史能源消费数据与政策参数库，建立了包含经济发展和能源消费等集成的分析框架，可量化评估不同政策情景下的减排潜力[52，53].
|
图 1 LEAP框架 Fig. 1 LEAP framework |
在终端需求侧，LEAP模型对能源消耗量的计算见公式（1）：
| (1) |
式中，EUs，i，j表示s情景下i部门j类能源的能源消耗量，ALs，i，j表示s情景下i部门对j类能源的活动水平，EIs，i，j表示s情景下i部门对j类能源的能源强度；
在能源加工转换模块，LEAP模型对能源消耗量的计算见公式（2）：
| (2) |
式中，ETs，i，j表示s情景下i部门j能源加工转换所消耗的净能量，EPs，i，j表示s情景下i部门j能源加工转换所消耗的
LEAP模型计算气体排放量时，参考《IPCC国家温室气体排放清单指南》，对化石能源消耗的碳排放因子进行计算，见式（3）：
| (3) |
式中，CEs，i，j表示s情景下i部门消耗j能源所产生的气体排放量，EUs，i，j表示s情景下i部门j类能源的能源消耗量，EFj表示j能源的碳排放系数.
1.1.3 碳减排潜力碳减排潜力是指当前的经济和技术条件下，通过实施不同情景下的减排措施，实现CO2降低，见式（4）：
| (4) |
式中，φs表示s情景下减排贡献率，Δqs表示s情景下减排量，ΔQ表示总减排量.
1.2 情景设置本研究在其碳排放因素分解的基础上，通过分析近年来兰州市工业碳排放发展趋势的相关数据和已有研究，结合目前兰州市的经济社会现状以及未来政策的实施等影响因素，设定以下4种不同政策力度的情景：基准情景、产业结构调整情景、能源转型情景和蓝图情景，具体情景设置见表 1.
|
表 1 情景设置 Table 1 Scenario setting |
1.3 数据来源
本研究数据主要来源于《兰州统计年鉴》《甘肃统计年鉴》《兰州市“十四五”规划和2035年远景目标纲要》《兰州市工业领域碳达峰实施方案》《兰州市“十四五”工业绿色发展规划》《兰州市“十四五”交通运输发展规划》《兰州市十四五战略性新兴产业发展规划》《甘肃省“十四五”能源发展规划》《甘肃省碳达峰实施方案》等政策文件设定.
1.4 模型参数设置数据主要包括宏观数据与情景参数两部分. 宏观数据涵盖人口、GDP增长率及产业结构等指标. 兰州市2024年及之前的数据均来自《兰州统计年鉴》《甘肃统计年鉴》. 2025~2060年预测期参数中，人口数据参考《中国人口预测报告2023版》，GDP增长率依据《兰州市“十四五”规划和2035年远景目标纲要》及《世界经济展望报告》综合确定，产业结构则主要基于《兰州市“十四五”规划和2035年远景目标纲要》进行设定. 所有参数在各情景分析中均采用一致的基准假设. 关键参数设置见表 2.
|
|
表 2 关键参数设置 Table 2 Key parameter setting |
情景参数包括农业、工业和建筑业、交通运输和仓储业、批发零售和仓储业、其他第三产业以及居民生活的产业结构、化石能源占比年均变化率，均基于历史数据利用增长率法进行计算得到，其中历史数据来源于《兰州统计年鉴》（2010~2024年）和《甘肃统计年鉴》（2010~2024年），鉴于兰州市分行业化石能源占比年均变化率数据未公布，在此用甘肃省分行业化石能源占比年均变化率数据替代；主要参数设置见表3~5.
|
|
表 3 情景参数设置（第一产业）/% Table 3 Scenario parameter setting (primary industry) /% |
|
|
表 4 情景参数设置（第二产业）/% Table 4 Scenario parameter setting (secondary industry) /% |
|
|
表 5 情景参数设置（第三产业） Table 5 Scenario parameter setting (tertiary industry) |
2 结果与分析 2.1 能源消费总量及碳排放总量预测 2.1.1 能源消费总量
图 2展示了2023~2060年不同情景下能源消费量的时间演变趋势与行业分布特征. 在基准情景中，能源消费量从2023年的34.3×106 t持续增至2060年的59.7×106 t，期间无明显拐点. 从行业维度看，工业能源消费占总能耗占比长期超50%，交通运输和仓储业同期从4.11×106 t增至12.93×106 t，二者构成能源消费增长的核心驱动力，印证了无政策干预时能源需求的“自然增长”路径；产业结构优化情景下，能源消费增长幅度显著收窄，2060年总能耗控制在54.5×106 t，较基准情景降低8.7%. 其中工业能源消费在2030年后增速放缓，2060年降至19.48×106 t，较基准情景减少33.3%；服务业等第三产业占比从2023年的18.3%升至2060年的28.4%，其低耗能特性使整体能源消费增速较基准情景逐年降低，凸显产业结构调整对需求侧的优化作用；能源结构转型情景中，清洁能源替代使能源消费增长趋势进一步弱化，尽管2060年总能耗达61×106 t，但工业领域化石能源消费占比从2023年的92%降至2060年的68%；农林牧渔行业能源利用低碳化转型显著，2060年可再生能源占比达35%，较基准情景提升显著，从供给侧形成能耗增长的刚性约束；蓝图情景通过产业与能源结构协同调整，实现能源消费最优化控制，2060年总能耗仅55.7×106 t，较基准情景降低6.7%. 工业能源消费在2030年达17.97×106 t后持续下降，2060年降至19.94×106 t，单位产值能耗较基准情景降低42%；交通运输和仓储业通过电气化改造，2060年能源消费达16.19×106 t，增速较基准情景放缓40%；清洁能源在工业、建筑和交通等领域的综合渗透率超40%，形成多维度能耗抑制体系.
|
图 2 各情景下能源消费量趋势预测 Fig. 2 Projected trends in energy consumption under various scenarios |
图 3为2023~2060年多情景下碳排放趋势的动态演变特征. 在基准情景中，碳排放呈现无峰值约束的稳定增长轨迹，2023年至2060年从64.4×106 t持续增至81×106 t，表明在缺乏强力政策干预与技术革新驱动时，工业、交通运输和仓储业等高碳排放强度行业碳排放将持续刚性扩张. 其中工业碳排放量占总排放比例长期超55%，交通运输和仓储业同期从6.8×106 t增至14.2×106 t，二者构成排放增长的核心驱动力；产业结构优化情景下，碳排放初期受工业等行业发展惯性驱动呈增长态势，预计2029年碳达峰，峰值排放量约为69×106 t，伴随产业布局调整推进，工业能效提升与服务业占比优化促使行业碳排放效率显著改善. 其中工业碳排放量在2030年达37.2×106 t后持续下降，2060年降至31.0×106 t，较基准情景减少33.3%；服务业等第三产业占比从2023年的21.3%升至2060年的34.8%，有效遏制排放过快扩张趋势；能源结构转型情景里，清洁能源替代重塑能源供给结构，预计2029年碳达峰，峰值排放量约为72.9×106 t；其中，2023~2060年总碳排放从64.4×106 t增至66.8×106 t，增长趋势显著弱化. 工业领域化石能源消费占比从2023年的91%降至2060年的67%，工业碳排放量2060年稳定在37.7×106 t，较基准情景减少19.0%. 居民生活领域通过电能替代，2060年碳排放降至7.1×106 t，较基准情景降低15.3%，从能源供给源端形成排放总量攀升的刚性约束；蓝图情景则聚焦产业与能源结构调整的协同发力，工业低碳转型持续向纵深推进，绿色制造体系全面覆盖，预计2029年碳达峰，峰值排放量约为68.2×106 t；其中，2060年工业碳排放量仅25.1×106 t，较基准情景削减45.8%，单位产值碳排放强度下降62%；同时，清洁能源在工业、建筑和交通等全行业渗透程度持续加深，交通运输和仓储业通过电气化改造，2060年碳排放达14.1×106 t，增速较基准情景放缓62%.
|
图 3 各情景下碳排放趋势预测 Fig. 3 Projections of carbon emission trends under various scenarios |
图 4表明，在不同情景下，能源碳排放演变态势差异显著. 在基准情景下，2023年煤炭碳排放为33.4×106 t，2030年攀升至37.5×106 t增幅12.3%，后续基本维持稳定；原油碳排放逐年走高，2060年高达28.8×106 t；天然气碳排放呈缓慢上升趋势；焦炭碳排放也平缓增长，从3×106 t增至3.9×106 t，呈现出传统能源主导、碳排放持续递增的格局；产业结构优化情景中，2060年煤炭碳排放降至26.6×106 t较2023年下降了20.6%；原油碳排放增长弱于基准情景，天然气碳排放增幅超过90%，焦炭碳排放降至2.6×106 t彰显产业升级对高碳能源排放的抑制作用；能源结构转型情景下，煤炭碳排放先升后降，总体呈现下降趋势；原油碳排放增长平缓；天然气碳排放2060年升至11.2×106 t，增幅77.8%；焦炭碳排放增长受限，体现能源替代对高碳能源排放增量的削减效果；蓝图情景时，2030年煤炭碳排放32.8×106 t，2060年降至21.3×106 t降幅超35%；原油碳排放趋于稳定，天然气碳排放大幅上升，焦炭碳排放降至2.1×106 t，凭借深度能源结构调整与多元减排举措，实现深度低碳转型，减排效果最为突出.
|
图 4 各情景下分能源碳排放趋势预测 Fig. 4 Projections of trends in carbon emissions from sub-energy sources under various scenarios |
图 5展示了兰州市工业在2025~2060年不同情景下的能源消费总量与碳排放量变化预测. 基准情景下，工业能源消费量从2025年的18.3×106 t持续增至2060年的29.2×106 t，碳排放量同步升至46.5×106 t，反映无政策干预时工业活动扩张带来的“双增长”；产业结构优化情景中，能源消费增长放缓，碳排放于2029年触达37.8×106 t峰值后下降，得益于高耗能产业占比降低；能源转型情景下，能源消费总量略高于基准但增速趋缓，碳排放因清洁能源替代于2029年达42.9×106 t峰值后回落至37.7×106 t；蓝图情景中，能源消费增长最平缓，碳排放于2029年达峰并持续下降，通过产业升级、能源转型与能效提升协同，实现“双低速增长”与深度减排.
|
图 5 兰州市工业能源消费量和碳排放量趋势预测 Fig. 5 Projected trend of industrial energy consumption and carbon emissions in Lanzhou City |
图 6展示了兰州市居民生活在2025~2060年不同情景下的能源消费总量与碳排放量变化预测. 基准情景下，居民生活能源消费量从2025年的10.7×106 t持续降至2060年的6.7×106 t，碳排放量同步下降，反映出即使无政策干预，居民生活能源消费或因人口结构变化、能效自然提升等呈现下降趋势；产业结构优化情景中，能源消费从10.6×106 t降至6.4×106 t，碳排放降幅53.5%，降幅略大于基准，得益于生活用能结构向低耗能方向调整；能源转型情景下，能源消费和碳排放因清洁能源替代，下降幅度进一步扩大；蓝图情景中，能源消费降至5×106 t，碳排放降至6.7×106 t，通过生活方式优化、能效标准提升与能源结构转型协同，实现能源消费与碳排放的大幅降低，为居民生活低碳转型提供最优路径.
|
图 6 兰州市居民生活能源消费量和碳排放量趋势预测 Fig. 6 Trend prediction of domestic energy consumption and carbon emissions of Lanzhou residents |
图 7展示了兰州市交通运输和仓储业在2025~2060年不同情景下的能源消费总量与碳排放量变化预测. 基准情景下，行业能源消费量增幅超过120%，碳排放量同步增长，增幅达到94.5%，体现出无政策干预时行业规模扩张带来的能源需求与排放双增长趋势；产业结构优化情景中，2060年能源消费和碳排放分别增至15.8×106 t和17.4×106 t，增长幅度均显著高于基准情景，表明行业结构调整若侧重规模扩张而非能效优化，反而加剧能源消耗与碳排放；能源转型情景下，得益于清洁能源替代，碳排放增速明显趋缓，能源消费从4.5×106 t增至13.2×106 t；蓝图情景中，能源消费和碳排放增长幅度均有所放缓，通过运输结构优化、清洁能源推广与能效提升协同，在保障行业发展的同时实现碳排放相对可控增长，为交通运输和仓储业低碳转型提供可行路径.
|
图 7 兰州市交通运输和仓储业能源消费量和碳排放量趋势预测 Fig. 7 Projected trends in energy consumption and carbon emissions from transportation and warehousing in Lanzhou City |
为进一步分析兰州市碳减排路径，量化不同情景下减排举措的实际效果，本研究以基准情景为参照，选取2030年、2040年、2050年及2060年作为关键时间节点，对产业结构优化、能源结构转型及蓝图情景下各项减排措施的贡献度展开深入研究，结果如图 8所示.
|
1.基准情景，2.产业结构优化情景，3.能源结构转型情景，4.蓝图情景，5.总计；百分数表示对应减碳措施的减碳贡献率 图 8 不同情景的减排贡献率 Fig. 8 Contribution of emission reductions in different scenarios |
从政策情景的减排贡献度来看，产业结构优化和能源结构转型均能有效降低兰州市碳排放量，而蓝图情景则通过整合多元减排策略，展现出更为显著的协同效应. 短期视角下，2030年蓝图情景的减碳量达到6.1×106 t，占同年总减排量的49%，成为主导减排力量；产业结构优化次之，减排量为4.9×106 t，贡献率为40%；能源结构转型减排量为1.3×106 t，占比11%. 到2040年，蓝图情景的减排贡献度保持在49%的高位；而能源结构转型凭借清洁能源替代与技术革新，减排贡献度跃升至第二位，减排量达7.2×106 t，占比为26%；产业结构优化的贡献度则小幅下滑至25%. 2050年，蓝图情景减碳量提升至18.4×106 t，占比48%，能源结构转型继续保持第二位次，贡献度稳定在27%；产业结构优化的减排贡献度则在三者中相对较低. 长期来看，2060年蓝图情景依然占据减排主导地位，减碳量达到22.6×106 t，占总减排量的48%；能源结构转型以14.2×106 t的减碳量、30%的贡献度紧随其后；产业结构优化减排量为10.6×106 t，贡献度为22%. 总体来看，产业结构优化在短期内可快速释放减排潜力，而能源结构转型则是实现长期深度减碳的核心驱动力.
3 建议基于多情景模拟结果与行业碳排放特征分析，本研究提出以下政策建议：
（1）优先推进蓝图情景，强化多维度协同减排. 蓝图情景下兰州市碳排放可于2029年达峰，峰值68.2×106 t. 建议坚持“产业-能源”协同发力策略，严格管控高耗能行业新增产能，推动氢冶金、绿电炼钢等低碳工艺规模化应用；实施煤炭消费总量控制，2030年前将工业领域化石能源占比降至80%以下，有序推进天然气调峰电站建设；加速布局CCUS技术，2040年实现化工、冶金行业碳捕集设施全覆盖.
（2）聚焦行业碳排放分化特征，实施差异化减排路径. 在工业领域推行“能效领跑者+碳排放配额”的动态管理模式，建立落后产能退出机制；在交通运输领域着力构建“公转铁、公转水”的多式联运体系，配套完善新能源重卡使用环境；在居民生活领域实施建筑节能改造工程，推广智能电采暖等清洁供暖技术.
（3）结合减排贡献度时序特征，优化政策组合. 短期需强化产业结构优化与能源结构转型协同，通过严控煤电增量、推进风光储一体化项目；长期需以技术创新为核心驱动力，重点攻克煤矿智能开采、氢燃料电池重卡等关键技术，2050年使能源结构转型对减排的贡献度提升至30%. 同时，持续推动服务业占比提升至80%以上，形成低耗能的产业体系.
（4）完善制度保障体系，构建低碳发展长效机制. 健全的制度体系可提升减排政策执行效率. 建议建立“目标-政策-市场”三位一体的保障机制. 以碳排放总量和强度双控目标为导向，配套实施差别化电价、绿色信贷等激励政策；构建重点企业碳排放监测-报告-核查（MRV）体系，2025年前实现年耗能万t标煤以上企业全覆盖；探索建立区域碳排放权交易市场，率先在电力、钢铁等行业开展配额交易试点，形成市场化减排机制. 同时，建立政策实施效果年度评估机制，确保各项措施落实到位.
4 结论（1）碳达峰目标实现路径分析. 除基准情景外，产业结构优化、能源转型和蓝图情景均能实现2030年前碳达峰目标. 其中，蓝图情景表现最优，可在2029年实现达峰，峰值排放量为68.2×106 t；产业结构优化和能源转型情景同样在2029年达峰，峰值分别为69×106 t和72.9×106 t. 这一结果表明，政策干预对实现碳达峰目标具有决定性作用.
（2）能源消费与碳排放结构特征. 能源消费呈现明显的行业分化特征；其中，工业部门始终是能源消费主体，占比超过50%，交通运输业增速最快. 碳排放结构显示，煤炭和石油产生的碳排放呈下降趋势，天然气碳排放先增后稳，反映出能源转型的阶段性特征. 工业碳排放占比从55%升至85%，凸显其作为减排重点领域的地位.
（3）重点行业减排特征分析. 工业部门作为碳排放主体，在基准情景下碳排放量占比从55%升至85%，通过产业结构优化可实现33.3%的减排效果. 交通运输业碳排放增速最为显著，但通过电气化改造可使增速放缓62%. 居民生活领域在无政策干预下即呈现自然下降趋势，实施清洁供暖等措施后可进一步实现53.5%的减排. 这种行业差异性特征为制定精准减排政策提供了重要依据.
（4）减排措施的时序效应. 产业结构优化在短期内贡献40%减排量，但长期贡献率降至22%；能源结构转型贡献率从11%持续上升至30%，显示出技术创新的累积效应. 蓝图情景通过政策协同，始终维持48%~49%的减排贡献率，验证了多维协同策略的有效性.
| [1] | Kaufman D S, Broadman E. Revisiting the holocene global temperature conundrum[J]. Nature, 2023, 614(7948): 425-435. DOI:10.1038/s41586-022-05536-w |
| [2] | Xu G Y, Schwarz P, Yang H L. Adjusting energy consumption structure to achieve China's CO2 emissions peak[J]. Renewable and Sustainable Energy Reviews, 2020, 122. DOI:10.1016/j.rser.2020.109737 |
| [3] |
周麟, 贺俊, 兰宗敏, 等. 后发企业如何利用全球生产网络构建自主产品开发平台?——对长城汽车氢能技术产品开发的纵向案例研究[J]. 管理世界, 2023, 39(11): 152-172. Zhou L, He J, Lan Z M, et al. How can latecomer enterprises utilize global production network to build independent product development platform?A longitudinal case study based on great wall motor's hydrogen technology product development[J]. Management World, 2023, 39(11): 152-172. |
| [4] |
徐泽水, 常梅, 缑迅杰. 基于多时期交叉效率模型的中国省际碳排放效率及影响因素分析[J]. 中国管理科学, 2024, 1-16. Xu Z S, Chang M, Gou X J. An analysis of inter-provincial carbon emission efficiency and its influencing factors in China: a multi-period cross-efficiency approach[J]. Chinese Journal of Management Science, 2024, 1-16. DOI:10.16381/j.cnki.issn1003-207x.2024.0626 |
| [5] |
庞军, 梁宇超, 孙可可, 等. 中国经济增长与煤炭消费脱钩及影响因素分析[J]. 中国环境科学, 2024, 44(2): 1144-1157. Pang J, Liang Y C, Sun K K, et al. Decoupling effects and driving factors between provincial economic growth and coal consumption in China[J]. China Environmental Science, 2024, 44(2): 1144-1157. |
| [6] |
李姗姗, 秦乐瑶, 孔维龄, 等. 公平视角下中国区域碳排放时空演变及其影响因素[J]. 环境科学, 2026, 47(4): 2179-2189. Li S S, Qin L Y, Kong W L, et al. Spatial and temporal evolution of China's regional carbon emission and its influencing factor from the perspective of equity[J]. Environmental Science, 2026, 47(4): 2179-2189. DOI:10.13227/j.hjkx.202501050 |
| [7] |
王莉叶, 陈兴鹏, 庞家幸, 等. 基于LMDI的能源消费碳排放因素分解及情景分析——以兰州市为例[J]. 生态经济, 2019, 35(9): 38-44. Wang L Y, Chen X P, Pang J X, et al. Decomposition and scenario analysis of carbon emission from energy consumption based on LMDI method: taking Lanzhou as an example[J]. Ecological Economy, 2019, 35(9): 38-44. |
| [8] | 雷泾龙. "一带一路"视域下兰州市外向型经济研究[J]. 发展, 2023(11): 35-40. |
| [9] |
王乃举, 黄翔. 兰州市工业能源碳排放强度及效应研究[J]. 环境科学学报, 2016, 36(6): 2242-2251. Wang N J, Huang X. Intensity and effect of industrial carbon emissions in Lanzhou City[J]. Acta Scientiae Circumstantiae, 2016, 36(6): 2242-2251. |
| [10] | Zhang Q Q, Gao X X, Khan S U, et al. SHAP-ing urban sustainability: Integrating NDDF and lightGBM to uncover coordinated pollution and carbon abatement costs in Chinese cities[J]. Sustainable Cities and Society, 2025, 130. DOI:10.1016/j.scs.2025.106542 |
| [11] | Zheng H Y, Song M L, Shen Z Y. The evolution of renewable energy and its impact on carbon reduction in China[J]. Energy, 2021, 237. DOI:10.1016/j.energy.2021.121639 |
| [12] |
杨莉莎, 朱俊鹏, 贾智杰. 中国碳减排实现的影响因素和当前挑战——基于技术进步的视角[J]. 经济研究, 2019, 54(11): 118-132. Yang L S, Zhu J P, Jia Z J. Influencing factors and current challenges of CO2 emission reduction in China: a perspective based on technological progress[J]. Economic Research Journal, 2019, 54(11): 118-132. |
| [13] |
胡鞍钢. 中国实现2030年前碳达峰目标及主要途径[J]. 北京工业大学学报(社会科学版), 2021, 21(3): 1-15. Hu A G. China's peak carbon goal by 2030 and its main approaches[J]. Journal of Beijing University of Technology (Social Sciences Edition), 2021, 21(3): 1-15. |
| [14] | Sun L L, Cui H J, Ge Q S. Will China achieve its 2060 carbon neutral commitment from the provincial perspective?[J]. Advances in Climate Change Research, 2022, 13(2): 169-178. DOI:10.1016/j.accre.2022.02.002 |
| [15] |
林伯强. 碳中和进程中的中国经济高质量增长[J]. 经济研究, 2022, 57(1): 56-71. Lin B Q. China's high-quality economic growth in the process of carbon neutrality[J]. Economic Research Journal, 2022, 57(1): 56-71. |
| [16] | Li R F, Luo Y, Li Y, et al. Synergistic reduction in air pollutants and health benefits under China's dual-carbon policy[J]. Environmental Science & Technology, 2024, 58(22): 9467-9470. |
| [17] | Li W, Zhang S H, Lu C. Exploration of China's net CO2 emissions evolutionary pathways by 2060 in the context of carbon neutrality[J]. Science of the Total Environment, 2022, 831. DOI:10.1016/j.scitotenv.2022.154909 |
| [18] |
禹湘, 陈楠, 李曼琪. 中国低碳试点城市的碳排放特征与碳减排路径研究[J]. 中国人口·资源与环境, 2020, 30(7): 1-9. Yu X, Chen N, Li M Q. Research on carbon emission characteristics and reduction pathways of low-carbon pilot cities in China[J]. China Population, Resources and Environment, 2020, 30(7): 1-9. |
| [19] |
张希良, 黄晓丹, 张达, 等. 碳中和目标下的能源经济转型路径与政策研究[J]. 管理世界, 2022, 38(1): 35-51. Zhang X L, Huang X D, Zhang D, et al. Research on the pathway and policies for China's energy and economy transformation toward carbon neutrality[J]. Journal of Management World, 2022, 38(1): 35-51. |
| [20] | O'ryan R, Nasirov S, Osorio H. Assessment of the potential impacts of a carbon tax in Chile using dynamic CGE model[J]. Journal of Cleaner Production, 2023, 403. DOI:10.1016/j.jclepro.2023.136694 |
| [21] |
贺晨旻, 迟远英, 向翩翩, 等. 我国甲烷排放情景分析: IPAC模型结果[J]. 大气科学学报, 2022, 45(3): 414-427. He C M, Chi Y Y, Xiang P P, et al. CH4 emission scenario analysis for China: IPAC results[J]. Transactions of Atmospheric Sciences, 2022, 45(3): 414-427. |
| [22] | Xiang P P, Jiang K J, Wang J C, et al. Zero-carbon ammonia technology pathway analysis by IPAC-technology model in China[J]. Journal of Cleaner Production, 2023, 400. DOI:10.1016/j.jclepro.2023.136652 |
| [23] | 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 |
| [24] |
柳梦琳, 赵清华, 马欲翔, 等. 中国多源碳排放演化与碳减排路径分析[J]. 环境科学, 2026, 47(5): 2805-2819. Liu M L, Zhao Q H, Ma Y X, et al. Multi-source carbon emissions evolution and mitigation pathways in China[J]. Environmental Science, 2026, 47(5): 2805-2819. DOI:10.13227/j.hjkx.202503060 |
| [25] |
李俊霞, 温小霓. 中国科技金融资源配置效率与影响因素关系研究[J]. 中国软科学, 2019(1): 164-174. Li J X, Wen X N. Research on the relationship between the allocation efficiency and influencing factors of China's science and technology finance[J]. China Soft Science, 2019(1): 164-174. |
| [26] | Xiao S J, Dong H J, Geng Y, et al. Greenhouse gas emission mitigation potential from municipal solid waste treatment: a combined SD-LMDI model[J]. Waste Management, 2021, 120: 725-733. DOI:10.1016/j.wasman.2020.10.040 |
| [27] |
洪竞科, 李沅潮, 蔡伟光. 多情景视角下的中国碳达峰路径模拟——基于RICE-LEAP模型[J]. 资源科学, 2021, 43(4): 639-651. Hong J K, Li Y C, Cai W G. Simulating China's carbon emission peak path under different scenarios based on RICE-LEAP model[J]. Resources Science, 2021, 43(4): 639-651. |
| [28] | Zhang C Q, Luo H X. Research on carbon emission peak prediction and path of China's public buildings: Scenario analysis based on LEAP model[J]. Energy and Buildings, 2023, 289. DOI:10.1016/j.enbuild.2023.113053 |
| [29] |
马丁, 陈文颖. 基于中国TIMES模型的碳排放达峰路径[J]. 清华大学学报(自然科学版), 2017, 57(10): 1070-1075. Ma D, Chen W Y. China's carbon emissions peak path—based on China TIMES model[J]. Journal of Tsinghua University (Science and Technology), 2017, 57(10): 1070-1075. |
| [30] | Kang M J, Hu J L, Zhang H L, et al. Evaluation of a highly condensed SAPRC chemical mechanism and two emission inventories for ozone source apportionment and emission control strategy assessments in China[J]. Science of the Total Environment, 2022, 813. DOI:10.1016/j.scitotenv.2021.151922 |
| [31] |
徐若翀, 同丹, 肖清扬, 等. MEIC-global-CO2: 精细源分类下包含次国家信息的全球CO2排放清单[J]. 中国科学: 地球科学, 2024, 67(2): 469-485. Xu R C, Tong D, Xiao Q Y, et al. MEIC-global-CO2: a new global CO2 emission inventory with highly-resolved source category and sub-country information[J]. Science China Earth Sciences, 2024, 67(2): 450-465. |
| [32] | Hong S, Chung Y, Kim J, et al. Analysis on the level of contribution to the national greenhouse gas reduction target in Korean transportation sector using LEAP model[J]. Renewable and Sustainable Energy Reviews, 2016, 60: 549-559. DOI:10.1016/j.rser.2015.12.164 |
| [33] | Emodi N V, Chaiechi T, Alam Beg A B M R. Are emission reduction policies effective under climate change conditions? A backcasting and exploratory scenario approach using the LEAP-OSeMOSYS Model[J]. Applied Energy, 2019, 236: 1183-1217. DOI:10.1016/j.apenergy.2018.12.045 |
| [34] |
孔维龄, 李姗姗, 薛生, 等. "双碳"背景下中国中长期CO2排放情景模拟及减排路径: LEAP模型应用[J]. 环境科学, 2026, 47(2). Kong W L, Li S S, Xue S, et al. Medium- and long-term CO2 emission projections and emission reduction pathways in China: application of the LEAP model[J]. Environmental Science, 2026, 47(2). DOI:10.13227/j.hjkx.202412302 |
| [35] | Nieves J A, Aristizábal A J, Dyner I, et al. Energy demand and greenhouse gas emissions analysis in Colombia: a LEAP model application[J]. Energy, 2019, 169: 380-397. DOI:10.1016/j.energy.2018.12.051 |
| [36] | Huang Y M, Wang Y, Peng J T, et al. Can China achieve its 2030 and 2060 CO2 commitments? Scenario analysis based on the integration of LEAP model with LMDI decomposition[J]. Science of the Total Environment, 2023, 888. DOI:10.1016/j.scitotenv.2023.164151 |
| [37] | Chen H T, Wang Z H, Xu S, et al. Energy demand, emission reduction and health co-benefits evaluated in transitional China in a 2 ℃ warming world[J]. Journal of Cleaner Production, 2020, 264. DOI:10.1016/j.jclepro.2020.121773 |
| [38] |
毛一喆, 张兴平, 张浩楠. 面向碳达峰碳中和的浙江省能源转型路径[J]. 环境科学, 2026, 47(1): 90-101. Mao Y Z, Zhang X P, Zhang H N. Energy transition pathway toward carbon peak and carbon neutrality: take Zhejiang province of China as an example[J]. Environmental Science, 2026, 47(1): 90-101. DOI:10.13227/j.hjkx.202411255 |
| [39] |
罗闯, 黎林, 王雨豪, 等. 基于LEAP模型的江苏省重点行业碳达峰碳中和情景[J]. 环境科学, 2025, 46(1): 1-9. Luo C, Li L, Wang Y H, et al. Carbon peak and carbon neutrality scenarios for key industries in Jiangsu Province based on LEAP model[J]. Environmental Science, 2025, 46(1): 1-9. DOI:10.13227/j.hjkx.202401177 |
| [40] |
范师嘉, 许光清, 赵庆, 等. 考虑储能的电力系统优化与中国碳中和情景分析[J]. 中国环境科学, 2024, 44(5): 2833-2846. Fan S J, Xu G Q, Zhao Q, et al. Power system optimization with energy storage and carbon neutrality scenario analysis of China[J]. China Environmental Science, 2024, 44(5): 2833-2846. |
| [41] | Wang J J, Li Y, Zhang Y. Research on carbon emissions of road traffic in Chengdu city based on a LEAP model[J]. Sustainability, 2022, 14(9). DOI:10.3390/su14095625 |
| [42] |
庞可, 张芊, 马彩云, 等. 基于LEAP模型的兰州市道路交通温室气体与污染物协同减排情景模拟[J]. 环境科学, 2022, 43(7): 3386-3395. Pang K, Zhang Q, Ma C Y, et al. Forecasting of emission co-reduction of greenhouse gases and pollutants for the road transport sector in Lanzhou based on the LEAP model[J]. Environmental Science, 2022, 43(7): 3386-3395. DOI:10.13227/j.hjkx.202109119 |
| [43] |
贾晶迪, 王飞, 张圆圆, 等. 基于LEAP模型的山西省能源活动领域碳达峰路径[J]. 环境科学, 2025, 46(5): 2837-2851. Jia J D, Wang F, Zhang Y Y, et al. Carbon peaking pathways in the field of energy activities in Shanxi Province based on the LEAP model[J]. Environmental Science, 2025, 46(5): 2837-2851. DOI:10.13227/j.hjkx.202403232 |
| [44] | Duan H Y, Hou C H, Yang W, et al. Towards lower CO2 emissions in iron and steel production: life cycle energy demand-LEAP based multi-stage and multi-technique simulation[J]. Sustainable Production and Consumption, 2022, 32: 270-281. |
| [45] | Tang Y P, Jiang H Y. Analysis of the decoupling effect and driving factors of carbon emissions from the transportation sector in Guangdong Province[J]. Scientific Reports, 2023, 13(1). DOI:10.1038/s41598-023-45492-7 |
| [46] | Ang B W. LMDI decomposition approach: a guide for implementation[J]. Energy Policy, 2015, 86: 233-238. DOI:10.1016/j.enpol.2015.07.007 |
| [47] | Hernández K D, Fajardo O A. Estimation of industrial emissions in a Latin American megacity under power matrix scenarios projected to the year 2050 implementing the LEAP model[J]. Journal of Cleaner Production, 2021, 303. DOI:10.1016/j.jclepro.2021.126921 |
| [48] | Tian L, Ding Z, Wang Y X, et al. Analysis of the driving factors and contributions to carbon emissions of energy consumption from the perspective of the peak volume and time based on LEAP[J]. Sustainability, 2016, 8(6). DOI:10.3390/su8060513 |
| [49] |
宁静, 王震, 杜国明, 等. 东北地区农业碳排放特征与农业经济的脱钩状态分析[J]. 经济地理, 2023, 43(11): 173-180. Ning J, Wang Z, Du G M, et al. Characteristics of agricultural carbon emissions in northeast China and its decoupling state with agricultural economy[J]. Economic Geography, 2023, 43(11): 173-180. |
| [50] |
李曼, 张艳芳, 刘焕才, 等. 基于碳源和碳汇情景预测的山西省碳中和实现路径研究[J]. 生态经济, 2023, 39(10): 24-32. Li M, Zhang Y F, Liu H C, et al. Research on the realization path of carbon neutrality in Shanxi Province based on carbon source and carbon sink scenario prediction[J]. Ecological Economy, 2023, 39(10): 24-32. |
| [51] | Wang D, Nie R, Long R Y, et al. Scenario prediction of China's coal production capacity based on system dynamics model[J]. Resources, Conservation and Recycling, 2018, 129: 432-442. DOI:10.1016/j.resconrec.2016.07.013 |
| [52] |
王硕, 徐艺诺, 翁大维, 等. 中国道路交通碳排放驱动因素及碳达峰[J]. 生态学报, 2025, 45(3): 1315-1327. Wang S, Xu Y N, Weng D W, et al. Driving factors and peak analysis of road traffic carbon emissions in China[J]. Acta Ecologica Sinica, 2025, 45(3): 1315-1327. |
| [53] |
刘丹丹, 张燕娟. 能源转型对浙江省碳达峰拐点影响的实证模拟[J]. 资源科学, 2024, 46(9): 1699-1708. Liu D D, Zhang Y J. Empirical simulation research on the impact of energy transition on the carbon peak inflection point in Zhejiang Province[J]. Resources Science, 2024, 46(9): 1699-1708. |