2023, Vol. 44
2. 天津天滨瑞成环境技术工程有限公司, 天津 300190
2. Tianjin-Tianbinruicheng Environmental Technology and Engineering Co., Ltd., Tianjin 300190, China
2021年和2022年全国生态环境保护工作会议都强调, 要以实施减污降碳协同增效为总抓手, 深入打好污染防治攻坚战, 生态环境保护工作进入了减污降碳协同治理的新阶段.天津市认真贯彻落实生态文明建设总要求, 污染防治攻坚战成效显著, 生态环境明显改善.文献[1]显示, 天津市“十三五”期间, 环境空气主要污染物浓度均显著下降, 与“十二五”末相比, “十三五”末PM2.5、PM10、SO2和NO2年浓度平均值分别下降31.4%、41.4%、72.4%和7.1%.同时, 天津市2020年全市单位GDP碳排放强度累计下降超过22%, 超额完成国家下达的20.5%的目标要求.因此, 天津市主要大气污染物浓度和碳排放强度实现了双降.然而, 在进入减污降碳协同治理的新阶段之后, 大气污染物的排放总量和碳的排放总量均要双降, 才能实现减污降碳协同增效.
协同效应源自于伴生效益[2], 伴生效益的提出是为了阐述温室气体的减排措施可以减少其他污染物的产生.政府间气候变化专门委员会(IPCC)[3]在第三次评估报告中正式提出了协同效应的概念, 协同效应是指某项污染物减排措施的实施在实现此项污染物减排的同时还产生了其他环境效益的现象[4].国外对减污降碳协同效应的研究较早[5], 技术方法、研究应用相对比较成熟[6~8].国内对减污降碳协同效应的研究起步较晚, 但发展较快.从研究部门看, 涉及到电力行业[9]、水泥行业[10]和钢铁行业[11]等工业部门, 还包括交通部门[12, 13]、农业部门[14]和集中式污染治理设施[15]; 从研究区域看, 既有区域层面的[16~18], 也有北京[19]、天津[20]、上海[21]、重庆[22]、广州[23]、沈阳[24]和乌鲁木齐[25]等城市层面的; 从研究方法看, 计算大气污染物和二氧化碳(CO2)等温室气体排放量常用的方法是排放因子法[26], 评估减污降碳协同效应常用的方法是相关系数法[27]、协同效应评估指数法[28]、协同减排当量法[29]、协同控制效应坐标系法[30]和弹性系数法[31], 预测减污降碳协同效应常用的方法是多元线性回归分析法[32]、长期能源替代规划系统(long range energy alternatives planning, LEAP)模型法[33]和可拓展随机性的环境影响评估(stochastic impacts by regression on population, affluence, and technology, STIRPAT)模型法[34]; 从研究对象看, 既涉及到对某一技术[35]开展减污降碳协同效应评价, 也涉及到对“大气十条”[36]和“蓝天保卫战三年行动计划”[37]的减污降碳协同效应进行分析.然而, 目前减污降碳协同效应研究还存在两点不足：一是减污降碳协同状态特征划分等级数较少, 仅划分为协同和不协同这2个等级, 不能满足目前环境管理多级化需求; 二是目前的分析多是从协同效应系数1个维度开展分析, 分析不够全面.为进一步丰富减污降碳协同效应分析技术, 解决以上两点不足, 本研究以天津市为例, 采用排放因子法核算大气污染物和温室气体排放量, 将减污降碳协同状态特征划分为八类, 基于STIRPAT模型, 从排放总量、减排量和协同效应系数这3个维度对减污降碳协同效应开展定量分析, 以期为天津市和其他城市深入打好污染防治攻坚战提供技术支撑.
1 材料与方法 1.1 排放源分类依据文献[38, 39], 将天津市减污降碳协同效应排放源分为工业源、交通源、建筑源、农业源、生活源和集中式污染治理设施(集中式)这六类.具体排放源分类见表 1.
|
表 1 减污降碳协同效应排放源分类 Table 1 Classification of emission sources with synergistic effect of pollution reduction and carbon reduction |
1.2 大气污染物和温室气体排放量核算
大气污染物排放量依据文献[38]进行计算, 主要计算公式如下：
|
(1) |
式中, E为大气污染物排放量, A为燃料消耗量或产品产量或行政区活动水平, EF为污染物产生系数, η为污染控制设施对污染物的去除效率.
本研究所称“碳”是指温室气体, 温室气体的排放量依据文献[39]进行计算, 主要计算公式如下：
|
(2) |
式中, EGHG为温室气体排放量, t; EFijk为第i燃料类型第j部门活动第k技术类型的排放因子, t·TJ-1; Aijk为第i燃料类型第j部门活动第k技术类型的燃料消费量, TJ.
1.3 大气污染当量和减污降碳协同排放当量核算大气污染当量的定义源自文献[40], 采用式(3)核算大气污染当量：
|
(3) |
式中, ELAP为大气污染当量, t; E-SO2为SO2排放量, t; E-NOx为NOx排放量, t; E-CO为CO排放量, t; E-VOCs为VOCs排放量, t; E-NH3为NH3排放量, t; E-PM10为PM10排放量, t; α、β、γ、δ、ε和ζ分别为SO2、NOx、CO、VOCs、NH3和PM10的当量系数, 无量纲.
减污降碳协同排放当量(以下简称协同排放当量)综合考虑大气污染物和温室气体的排放量, 计算公式如下：
|
(4) |
式中, Q为协同排放当量, t; ELAP为大气污染当量, t; EGHG为温室气体排放量, t; θ和κ分别为大气污染物和温室气体的当量系数, 无量纲.当量系数的具体数值见表 2.
|
|
表 2 大气污染当量及协同排放当量系数1) Table 2 Coefficient table of air pollution equivalent and co-emission equivalent |
1.4 减污降碳协同效应系数
减污降碳协同效应系数(以下简称协同效应系数)可以定量描述大气污染物与温室气体协同效应, 参照Tapio脱钩模型[42, 43]的表达, 本研究定义协同效应系数的表达式如下：
|
(5) |
式中, S为协同效应系数, 无量纲; ΔELAP为当年相对于上一年大气污染物减排量, t; ELAP为上一年大气污染物排放量, t; ΔEGHG为当年相对于上一年温室气体减排量, t; EGHG为上一年温室气体排放量, t.依据ΔELAP、ΔEGHG和协同效应系数的取值范围, 可将协同状态特征划分为八类, 见表 3.
|
|
表 3 减污降碳协同效应状态特征的划分 Table 3 Division of state characteristics of the synergistic effect status of pollution reduction and carbon reduction |
1.5 STIRPAT模型
STIRPAT模型源于IPAT等式, IPAT等式表达式为：
|
(6) |
式中, I为环境负荷, P为人口规模, A为富裕度, T为技术水平.
为克服IPAT等式各因素等比例影响的不足, York等[44]基于IPAT等式, 构建了STIRPAT模型, 其表达式为：
|
(7) |
式中, a为常数, P、A和T含义同式(6), b、c和d分别为P、A和T的指数项, e为误差项.
STIRPAT模型作为定量分析各影响因素对环境负荷的一种有效方法, 已被广泛地应用于大气污染物和温室气体排放研究中[45, 46].由文献[47, 48]可知, 人口总数、城镇化率、地区生产总值、能源强度和CO2排放强度是影响天津市减污降碳的重要影响因素, 因此研究选取人口总数、城镇化率、地区生产总值、能源强度和CO2排放强度等5项因素作为自变量对STIRPAT模型进行扩展, 构建扩展后的模型见式(8)：
|
(8) |
式中, E为大气污染物或温室气体排放量, t; A为人口总数, 万人; B为城镇化率, %; C为地区生产总值, 亿元; D为能源强度(以标煤计), 万t·亿元-1; F为CO2排放强度, 万t·亿元-1, α为常数项, a、b、c、d和f为指数项, g为误差项.为了消除模型中可能存在的异方差影响, 研究将所有变量进行对数化处理, 对数化之后的扩展STIRPAT模型如式(9)：
|
(9) |
在使用STIRPAT模型研究大气污染物或温室气体排放时, 构建的多元线性回归模型易产生多重共线的问题, 为解决这一问题, 本研究参照张哲等[49]的方法, 使用偏最小二乘法进行多元线性回归模型的构建.
1.6 情景设置依据文献[50], 到2025年天津市城镇化率达到85%, 地区生产总值年均增长6%左右, 能源强度5 a累计降低15%, CO2排放强度完成国家目标(本研究参照天津市“十三五”完成情况设定为5 a累计降低22%); 依据文献[51], 到2025年天津市常住人口达到1500万人左右.由此可见, 天津市“十四五”时期5项参数是确定的, 需要对2026~2060年的各项参数进行设定.参照李雪梅等[47]对天津市、张哲等[49]对上海市和黄蕊等[52]对江苏省的预测分析, 本研究对天津市2026~2060年基准情景、低碳情景和超低碳情景下的5项参数进行设定.各情景下各参数具体设置如表 4.
|
|
表 4 天津市2026~2060年减污降碳协同效应预测参数设置/% Table 4 Prediction parameter settings for the synergistic effect of pollution reduction and carbon reduction in Tianjin from 2026 to 2060/% |
1.7 数据来源
工业生产过程核算所需工业主要产品产量数据, 交通运输核算所需机动车保有量, 建筑施工核算所需建筑面积, 农业源核算所需农作物播种面积和农产品产量, 生活源核算所需餐饮业数据和人口数据, 模型构建所需要的人口总数、城镇化率、能源强度和CO2排放强度等数据来自历年天津统计年鉴.工业、交通、建筑、农业和生活等能源数据来自历年的中国能源统计年鉴中的“6-2天津能源平衡表”.模型构建所需要的地区生产总值来自历年的天津市国民经济和社会发展统计公报.“十四五”时期的城镇化率、地区生产总值、能源强度和CO2排放强度来自文献[50]; “十四五”时期的人口总数来自文献[51].
2 结果与分析 2.1 大气污染物与温室气体排放源相关性分析基于公式(1)~(3), 可以核算出天津市2011~2020年大气污染物和温室气体的排放量, 从近10年的排放占比来看(见表 5), 大气污染物和温室气体的主要排放源均为工业源.大气污染物的工业源占比范围为58.56%~76.69%, 且呈现逐年降低的趋势; 温室气体的工业源占比范围为81.99%~85.62%, 没有明显变化趋势, 排放占比基本保持稳定.为了解大气污染物和温室气体排放源相关程度, 对2011~2020年大气污染物与温室气体的相关性进行分析, 结果显示, 大气污染物与温室气体的Pearson相关系数为0.984(P＜0.01), 具有较高的相关性.从排放源相关性分析来看, 大气污染物与温室气体的排放源均是工业源, 具有同根同源的特点, 这说明天津市减污降碳具备协同效应分析的基础.
|
|
表 5 天津市2011~2020年大气污染物和温室气体排放占比/% Table 5 Proportion of air pollutants and greenhouse gas emissions in Tianjin from 2011 to 2020/% |
2.2 预测模型构建
使用偏最小二乘法, 基于公式(9)和2011~2020年时期数据, 构建大气污染物和温室气体的预测模型如下：
|
(10) |
|
(11) |
由预测模型可知, 对于天津地区, 在保持其他变量不变的情况下, 人口总数每增加1%, 大气污染物的排放平均增加4.48%, 温室气体的排放平均减少0.18%; 城镇化率每增加1%, 大气污染物的排放平均减少4.32%, 温室气体的排放平均增加7.30%; 地区生产总值每增加1%, 大气污染物的排放平均减少0.41%, 温室气体的排放平均增加0.09%; 能源强度每降低1%, 大气污染物的排放平均减少0.93%, 温室气体的排放平均减少0.41%; CO2排放强度每降低1%, 大气污染物的排放平均减少0.55%, 温室气体的排放平均减少0.23%.由此可见, 人口总数、能源强度和CO2排放强度与大气污染物排放成正比, 城镇化率、地区生产总值与大气污染物排放成反比; 城镇化率、地区生产总值、能源强度和CO2排放强度与温室气体排放成正比, 人口总数与温室气体排放成反比.大气污染物和温室气体的实际排放量和模拟排放结果见图 1.从中可知, 大气污染物的拟合R2为0.96, P＜0.01, 误差范围为-6.73%~10.76%; 温室气体的拟合R2为0.93, P＜0.01, 误差范围为-1.65%~1.16%.大气污染物和温室气体的预测模型准确度较高, 可用于预测分析.
|
图 1 天津市2011~2020年大气污染物和温室气体实际排放量与模拟排放量 Fig. 1 Actual and simulated emissions of air pollutants and greenhouse gases in Tianjin from 2011 to 2020 |
图 2是天津市2011~2060年排放总量变化.从中可知, 天津市大气污染物排放量在2012年略有升高之后, 逐年下降, 下降趋势于2055年前后逐渐减缓; 与2011年相比, 2060年基准情景、低碳情景和超低碳情景下大气污染物减排率依次为99.47%、99.80%和99.95%, 这说明各情景下, 2060年大气污染物减排率相差很小.天津市温室气体排放量在2011~2023年先升高后下降然后再升高, 于2023年之后逐年下降, 天津市温室气体在2023年达到峰值, 峰值为2.09亿t, 这说明严格落实天津市“十四五”规划低碳管控要求, 天津市可在2025年之前实现碳达峰; 与2011年相比, 2060年基准情景、低碳情景和超低碳情景下温室气体的减排率依次为55.85%、70.29%和83.06%, 低碳情景下温室气体的减排率是基准情景下的1.26倍, 超低碳情景下温室气体的减排率是基准情景下的1.49倍, 主要是因为能源强度和CO2排放强度的下降是温室气体减排的主要动力, 2060年基准情景下能源强度和CO2排放强度分别是低碳情景下的1.63倍和1.68倍, 同时是超低碳情景下的2.76倍和5.42倍.天津市协同排放当量在2012年略有升高之后逐年下降, 截至2060年下降并未呈现逐渐减缓的趋势; 与2011年相比, 2060年基准情景、低碳情景和超低碳情景下协同排放当量减排率依次为80.46%、86.94%和92.59%, 低碳情景下协同排放当量的减排率是基准情景下的1.08倍, 超低碳情景下协同排放当量的减排率是基准情景下的1.15倍; 协同排放当量是大气污染物和温室气体共同作用的结果, 2017年之前大气污染物起主要作用, 贡献率超过50%, 所以导致协同排放当量在前期呈现逐年下降趋势, 2021年之后温室气体贡献率超过了60%, 所以导致协同排放当量在后期下降趋势并未呈现减缓的趋势, 这同时说明, 天津市“十四五”时期生态文明建设进入了以降碳为重点的战略方向.
|
图 2 天津市2011~2060年排放总量变化 Fig. 2 Changes in total emissions in Tianjin from 2011 to 2060 |
基于公式(5), 分析2011~2060年基准情景、低碳情景、超低碳情景下减排量与协同效应系数, 结果见图 3.从中可知, 2011年和2012年大气污染物和温室气体同时增排, 协同效应系数分别为0.18和0.17, 介于0~0.8之间, 这说明2011年和2012年减污降碳协同状态为协同增排, 且大气污染物增排速度低于温室气体增排速度; 2013~2014年和2018~2023年大气污染物减排, 温室气体增排, 协同效应系数均小于0, 减污降碳不具有协同效应; 2015~2017年和2024~2025年大气污染物和温室气体同时减排, 协同效应系数范围为3.86~8.76, 均大于1.2, 这说明2015~2017年和2024~2025年减污降碳协同状态为协同减排, 且大气污染物减排速度高于温室气体减排速度.基准情景、低碳情景和超低碳情景下, 2026~2060年大气污染物和温室气体同时减排, 2050年之前, 相同大气污染物减排量, 低碳情景下温室气体减排量是基准情景下的1.42倍, 超低碳情景下温室气体减排量是基准情景下的1.85倍.基准情景、低碳情景和超低碳情景下, 2026~2060年协同效应系数范围为2.74~4.71, 均大于1.2, 基准情景下协同效应系数均值是低碳情景下的1.22倍, 同时是超低碳情景下的1.41倍.这说明各种情景下, 2026~2060年大气污染物和温室气体均减排, 大气污染物减排速度高于温室气体减排速度, 且随着低碳进程的加快, 温室气体减排速度逐渐增加.
|
图 3 天津市2011~2060年减排量与协同效应系数变化 Fig. 3 Changes in emission reductions and synergy coefficients in Tianjin from 2011 to 2060 |
通过以上协同效应分析可知, 2011~2012年大气污染物和温室气体同时增排, 2013年起由于“大气十条”的发布, 天津市首先在大气污染物排放末端治理发力, 使得大气污染物开始减排.2015年起, 天津市在污染源源头治理也开始发力, 尤其是煤炭总量的控制, 导致温室气体也开始减排.天津市在2015~2017年大气污染物和温室气体同时减排, 且大气污染物减排速度高于温室气体减排速度, 实现了减污降碳协同增效.2018年开始, 一方面“蓝天保卫战三年行动计划”接力“大气十条”继续推动大气污染治理工作, 导致大气污染物持续减排, 另一方面, 受国际形势变化和新冠疫情影响, 尤其是中美贸易战的影响, 天津市为减缓经济增长的乏力, 能源、资源的消耗略有增加, 导致温室气体排放增加, 使得2018~2023年温室气体增排, 减污降碳不具有协同效应.然而, “十四五”时期是我国生态文明建设进入以降碳为重点战略方向、推动减污降碳协同增效、促进经济社会发展全面绿色转型、实现生态环境质量改善由量变到质变的关键时期, 天津市“十四五”规划正是在减污降碳协同增效的原则下制定的, 因此, 严格落实天津市“十四五”规划目标要求, 天津市温室气体在2014~2023年波动变化, 即处于平台期之后, 从2024年开始逐年减排, 天津市具备在2023年实现碳达峰的条件.李雪梅等[47]研究发现天津市在“低增长强减排”发展模式下, 可于2024年实现碳达峰, 与本研究碳达峰的年份较为接近, 因此天津市可在2025年之前实现碳达峰; 同时, 在能源强度和CO2排放强度持续降低的推动下, 大气污染物持续减排, 2024~2060年天津市可实现减污降碳协同增效.可见, 天津市当前阶段减污降碳协同增效的关键在于温室气体总量的下降, 而温室气体总量下降就需要持续推动能源强度和CO2排放强度的下降, 同时合理控制人口总数、城镇化率和地区生产总值.推动低碳进程越快, 温室气体减排量越大, 截至2060年, 基准情景、低碳情景和超低碳情景下温室气体排放量依次为0.88亿、0.59亿和0.34亿t, 超低碳情景下天津市更易于在2060年之前实现碳中和.
核算大气污染物和温室气体采用的排放因子是分别来自文献[38, 39], 其是面向全国范围的, 未考虑天津市本地化的排放因子, 核算结果会带来一定的不确定性; 预测模型的构建是依据2011~2020年的数据进行构建的, 反映的是过去几年整体的规律, 依据该模型进行预测分析时存在一定的不确定性.
4 结论(1) 天津市大气污染物和温室气体的主要排放源均为工业源, 大气污染物和温室气体的Pearson相关系数为0.984(P＜0.01), 具有较高的相关性, 天津市大气污染物和温室气体具有同根同源的特点.
(2) 基于构建的STIRPAT模型, 对于天津地区, 在保持其他变量不变的情况下, 人口总数每增加1%, 大气污染物的排放平均增加4.48%, 温室气体的排放平均减少0.18%; 城镇化率每增加1%, 大气污染物的排放平均减少4.32%, 温室气体的排放平均增加7.30%; 地区生产总值每增加1%, 大气污染物的排放平均减少0.41%, 温室气体的排放平均增加0.09%; 能源强度每降低1%, 大气污染物的排放平均减少0.93%, 温室气体的排放平均减少0.41%; CO2排放强度每降低1%, 大气污染物的排放平均减少0.55%, 温室气体的排放平均减少0.23%.
(3) 从排放总量看, 天津市协同排放当量在2012年略有升高之后逐年下降, 与2011年相比, 2060年基准情景、低碳情景和超低碳情景下协同排放当量减排率依次为80.46%、86.94%和92.59%.
(4) 从减排量与协同效应系数看, 天津市2011和2012年大气污染物和温室气体同时增排, 协同效应系数分别为0.18和0.17; 2013~2014年和2018~2023年大气污染物减排, 温室气体增排, 协同效应系数均小于0; 2015~2017年以及2024~2025年大气污染物和温室气体同时减排, 协同效应系数范围为3.86~8.76; 各情景下, 2026~2060年大气污染物和温室气体同时减排, 协同效应系数范围为2.74~4.71.天津市具备在2024年进入减污降碳协同增效阶段的条件.
(5) 天津市推动减污降碳协同增效最关键的是严格控制温室气体排放总量, 持续推动能源强度和CO2排放强度的下降, 合理控制人口总数、城镇化率和地区生产总值, 低碳进程越快, 温室气体减排量越大, 更易完成“双碳”目标.
| [1] | 天津市生态环境局. 2020年天津市生态环境状况公报[EB/OL]. http://sthj.tj.gov.cn/YWGZ7406/HJZL9827/HJZKGB866/TJSLNHJZKGB6653/202109/t20210902_5577540.html, 2021-06-15. |
| [2] | Ayres R U, Walter J. The greenhouse effect: damages, costs and abatement[J]. Environmental and Resource Economics, 1991, 1(3): 237-270. DOI:10.1007/BF00367920 |
| [3] | IPCC. TAR climate change 2001: mitigation[R]. Cambridge: Cambridge University Press, 2001. |
| [4] |
毛显强, 曾桉, 邢有凯, 等. 从理念到行动: 温室气体与局地污染物减排的协同效益与协同控制研究综述[J]. 气候变化研究进展, 2021, 17(3): 255-267. Mao X Q, Zeng A, Xing Y K, et al. From concept to action: a review of research on co-benefits and co-control of greenhouse gases and local air pollutants reductions[J]. Climate Change Research, 2021, 17(3): 255-267. |
| [5] |
郑佳佳, 孙星, 张牧吟, 等. 温室气体减排与大气污染控制的协同效应——国内外研究综述[J]. 生态经济, 2015, 31(11): 133-137. Zheng J J, Sun X, Zhang M Y, et al. Review of researches on the synergistic effect of GHGs mitigation and air pollution control at home and abroad[J]. Ecological Economy, 2015, 31(11): 133-137. |
| [6] | Smith K R, Haigler E. Co-benefits of climate mitigation and health protection in energy systems: scoping methods[J]. Annual Review of Public Health, 2008, 29(1): 11-25. DOI:10.1146/annurev.publhealth.29.020907.090759 |
| [7] | Haines A, McMichael A J, Smith K R, et al. Public health benefits of strategies to reduce greenhouse-gas emissions: overview and implications for policy makers[J]. The Lancet, 2009, 374(9707): 2104-2114. DOI:10.1016/S0140-6736(09)61759-1 |
| [8] | Groosman B, Muller N Z, O'Neill-Toy E. The ancillary benefits from climate policy in the United States[J]. Environmental and Resource Economics, 2011, 50(4): 585-603. DOI:10.1007/s10640-011-9483-9 |
| [9] |
周颖, 刘兰翠, 曹东. 二氧化碳和常规污染物协同减排研究[J]. 热力发电, 2013, 42(9): 63-65. Zhou Y, Liu L C, Cao D. Synergistical emission control of carbon dioxide and conventional pollutants in thermal power plants[J]. Thermal Power Generation, 2013, 42(9): 63-65. DOI:10.3969/j.issn.1002-3364.2013.09.063 |
| [10] |
周颖, 张宏伟, 蔡博峰, 等. 水泥行业常规污染物和二氧化碳协同减排研究[J]. 环境科学与技术, 2013, 36(12): 164-168, 180. Zhou Y, Zhang H W, Cai B F, et al. Synergetic reduction of local pollutants and CO2 from cement industry[J]. Environmental Science & Technology, 2013, 36(12): 164-168, 180. |
| [11] |
刘胜强, 毛显强, 胡涛, 等. 中国钢铁行业大气污染与温室气体协同控制路径研究[J]. 环境科学与技术, 2012, 35(7): 168-174. Liu S Q, Mao X Q, Hu T, et al. Roadmap of co-control of air pollutants and GHGs in iron and steel industry in China[J]. Environmental Science & Technology, 2012, 35(7): 168-174. |
| [12] |
邢有凯, 刘峥延, 毛显强, 等. 中国交通行业实施环境经济政策的协同控制效应研究[J]. 气候变化研究进展, 2021, 17(4): 379-387. Xing Y K, Liu Z Y, Mao X Q, et al. Research on co-control effect of environmental economic policies in China's transportation sector[J]. Climate Change Research, 2021, 17(4): 379-387. |
| [13] |
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. |
| [14] |
何艳秋, 陈柔, 朱思宇, 等. 中国农业碳排放空间网络结构及区域协同减排[J]. 江苏农业学报, 2020, 36(5): 1218-1228. He Y Q, Chen R, Zhu S Y, et al. Spatial network structure of agricultural carbon emission in China and regional collaborative emission reduction[J]. Jiangsu Journal of Agricultural Sciences, 2020, 36(5): 1218-1228. DOI:10.3969/j.issn.1000-4440.2020.05.020 |
| [15] |
王媛, 何彧, 颜蓓蓓. 城市生活垃圾主要处理方式的温室气体协同减排效应比较——以天津市为例[J]. 天津大学学报(自然科学与工程技术版), 2014, 47(4): 349-354. Wang Y, He Y, Yan B B. Comparison of collaborative effects of greenhouse gas emission reduction among main municipal solid waste (MSW) disposal ways - a case study of Tianjin[J]. Journal of Tianjin University (Science and Technology), 2014, 47(4): 349-354. |
| [16] |
马丁, 陈文颖. 中国钢铁行业技术减排的协同效益分析[J]. 中国环境科学, 2015, 35(1): 298-303. Ma D, Chen W Y. Analysis of the co-benefit of emission reduction measures in China's iron and steel industry[J]. China Environmental Science, 2015, 35(1): 298-303. |
| [17] |
李新, 路路, 穆献中, 等. 京津冀地区钢铁行业协同减排成本-效益分析[J]. 环境科学研究, 2020, 33(9): 2226-2234. Li X, Lu L, Mu X Z, et al. Cost-benefit analysis of synergistic emission reduction in steel industry in Beijing-Tianjin-Hebei region, China[J]. Research of Environmental Sciences, 2020, 33(9): 2226-2234. |
| [18] |
杨添棋, 王洪昌, 张辰, 等. 京津冀及周边地区"2+26"城市结构性调整政策的CO2协同减排效益评估[J]. 环境科学, 2022, 43(11): 5315-5325. Yang T Q, Wang H C, Zhang C, et al. Carbon dioxide mitigation co-effect analysis of structural adjustment measures in the "2+26" cities in the Jing-Jin-Ji and its surroundings[J]. Environmental Science, 2022, 43(11): 5315-5325. |
| [19] |
谢元博, 李巍. 基于能源消费情景模拟的北京市主要大气污染物和温室气体协同减排研究[J]. 环境科学, 2013, 34(5): 2057-2064. Xie Y B, Li W. Synergistic emission reduction of chief air pollutants and greenhouse gases based on scenario simulations of energy consumptions in Beijing[J]. Environmental Science, 2013, 34(5): 2057-2064. |
| [20] |
刘茂辉, 刘胜楠, 李婧, 等. 天津市减污降碳协同效应评估与预测[J]. 中国环境科学, 2022, 42(8): 3940-3949. Liu M H, Liu S N, Li J, et al. Evaluation and prediction of the synergistic effect of pollution reduction and carbon reduction in Tianjin[J]. China Environmental Science, 2022, 42(8): 3940-3949. |
| [21] |
阿迪拉·阿力木江, 蒋平, 董虹佳, 等. 推广新能源汽车碳减排和大气污染控制的协同效益研究——以上海市为例[J]. 环境科学学报, 2020, 40(5): 1873-1883. Alimujiang A, Jiang P, Dong H J, et al. Synergy and co-benefits of reducing CO2 and air pollutant emissions by promoting new energy vehicles: a case of Shanghai[J]. Acta Scientiae Circumstantiae, 2020, 40(5): 1873-1883. |
| [22] |
王敏, 冯相昭, 杜晓林, 等. 工业部门污染物治理协同控制温室气体效应评价——基于重庆市的实证分析[J]. 气候变化研究进展, 2021, 17(3): 296-304. Wang M, Feng X Z, Du X L, et al. Evaluation of co-controlling GHGs from pollutant reduction facilities in the industrial sectors, empirical analysis based on data in Chongqing city[J]. Climate Change Research, 2021, 17(3): 296-304. |
| [23] |
黄莹, 焦建东, 郭洪旭, 等. 交通领域二氧化碳和污染物协同控制效应研究[J]. 环境科学与技术, 2021, 44(7): 20-29. Huang Y, Jiao J D, Guo H X, et al. Assessment of co-control effects for CO2 and air pollutants in transport sector[J]. Environmental Science & Technology, 2021, 44(7): 20-29. |
| [24] |
温娜. 沈阳大气污染物与二氧化碳协同减排效应分析[J]. 品牌与标准化, 2021(4): 60-64. Wen N. Analysis on the co-benefits of air pollution and carbon dioxide emissions reduction in Shenyang[J]. Brand & Standardization, 2021(4): 60-64. |
| [25] |
高玉冰, 毛显强, Corsetti C, 等. 城市交通大气污染物与温室气体协同控制效应评价——以乌鲁木齐市为例[J]. 中国环境科学, 2014, 34(11): 2985-2992. Gao Y B, Mao X Q, Gabriel C, et al. Assessment of co-control effects for air pollutants and green house gases in urban transport: a case study in Urumqi[J]. China Environmental Science, 2014, 34(11): 2985-2992. |
| [26] |
贾璐宇, 王艳华, 王克, 等. 大气污染防治措施二氧化碳协同减排效果评估[J]. 环境保护科学, 2020, 46(6): 19-26, 43. Jia L Y, Wang Y H, Wang K, et al. Evaluation of carbon dioxide coordination emission reduction based on national air pollution control plan[J]. Environmental Protection Science, 2020, 46(6): 19-26, 43. |
| [27] |
宋飞, 付加锋. 世界主要国家温室气体与二氧化硫的协同减排及启示[J]. 资源科学, 2012, 34(8): 1439-1444. Song F, Fu J F. The synergistic emission reduction of GHG and sulfur dioxide in the world's major countries and its revelation[J]. Resources Science, 2012, 34(8): 1439-1444. |
| [28] |
高庆先, 高文欧, 马占云, 等. 大气污染物与温室气体减排协同效应评估方法及应用[J]. 气候变化研究进展, 2021, 17(3): 268-278. Gao Q X, Gao W O, Ma Z Y, et al. The synergy effect assessment method and its application for air pollutants and greenhouse gases reduction[J]. Climate Change Research, 2021, 17(3): 268-278. |
| [29] |
毛显强, 邢有凯, 胡涛, 等. 中国电力行业硫、氮、碳协同减排的环境经济路径分析[J]. 中国环境科学, 2012, 32(4): 748-756. Mao X Q, Xing Y K, Hu T, et al. An environmental-economic analysis of carbon, sulfur and nitrogen co-reduction path for China's power industry[J]. China Environmental Science, 2012, 32(4): 748-756. |
| [30] |
高玉冰, 邢有凯, 何峰, 等. 中国钢铁行业节能减排措施的协同控制效应评估研究[J]. 气候变化研究进展, 2021, 17(4): 388-399. Gao Y B, Xing Y K, He F, et al. Research on co-control effectiveness evaluation of energy saving and emission reduction measures in China's iron and steel industry[J]. Climate Change Research, 2021, 17(4): 388-399. |
| [31] |
何峰, 刘峥延, 邢有凯, 等. 中国水泥行业节能减排措施的协同控制效应评估研究[J]. 气候变化研究进展, 2021, 17(4): 400-409. He F, Liu Z Y, Xing Y K, et al. Co-control effect evaluation of the energy saving and emission reduction measures in Chinese cement industry[J]. Climate Change Research, 2021, 17(4): 400-409. |
| [32] |
常树诚, 郑亦佳, 曾武涛, 等. 碳协同减排视角下广东省PM2.5实现WHO-Ⅱ目标策略研究[J]. 环境科学研究, 2021, 34(9): 2105-2112. Chang S C, Zheng Y J, Zeng W T, et al. Strategies for PM2.5 in Guangdong province to achieve the WHO-Ⅱ air quality target from the perspective of synergistic control with CO2[J]. Research of Environmental Sciences, 2021, 34(9): 2105-2112. |
| [33] |
冯相昭, 赵梦雪, 王敏, 等. 中国交通部门污染物与温室气体协同控制模拟研究[J]. 气候变化研究进展, 2021, 17(3): 279-288. Feng X Z, Zhao M X, Wang M, et al. Simulation research on co-controlling pollutants and greenhouse gases emission in China's transportation sector[J]. Climate Change Research, 2021, 17(3): 279-288. |
| [34] |
杨森, 许平祥, 白兰. 京津冀生态化路径的差异化与协同效应研究——基于STIRPAT模型行业动态面板数据的GMM分析[J]. 工业技术经济, 2019, 38(12): 84-92. Yang S, Xu P X, Bai L. Differentiation ecologization evolution and synergy effects of industrial structure for Beijing-Tianjin-Hebei regions[J]. Journal of Industrial Technological Economics, 2019, 38(12): 84-92. |
| [35] |
毛显强, 曾桉, 刘胜强, 等. 钢铁行业技术减排措施硫、氮、碳协同控制效应评价研究[J]. 环境科学学报, 2012, 32(5): 1253-1260. Mao X Q, Zeng A, Liu S Q, et al. Assessment of SO2, NOx and CO2 co-control effects by technological reduction measures in iron & steel industry[J]. Acta Scientiae Circumstantiae, 2012, 32(5): 1253-1260. |
| [36] |
张扬, 付淩波, 李薇, 等. 基于黑龙江省大气污染防治行动计划的温室气体减排核算[J]. 中国人口·资源与环境, 2015, 25(S2): 333-336. Zhang Y, Fu L B, Li W, et al. Accounting for the reduction of greenhouse gas emissions based on the air pollution control action plan in Heilongjiang province[J]. China Population, Resources and Environment, 2015, 25(S2): 333-336. |
| [37] |
邢有凯, 毛显强, 冯相昭, 等. 城市蓝天保卫战行动协同控制局地大气污染物和温室气体效果评估——以唐山市为例[J]. 中国环境管理, 2020, 12(4): 20-28. Xing Y K, Mao X Q, Feng X Z, et al. An effectiveness evaluation of co-controlling local air pollutants and GHGs by implementing blue sky defense action at city level - a case study of Tangshan city[J]. Chinese Journal of Environmental Management, 2020, 12(4): 20-28. |
| [38] | 贺克斌. 城市大气污染源排放清单编制技术手册[R]. 北京: 清华大学, 2018. |
| [39] | 省级温室气体清单编制指南编写组. 省级温室气体清单编制指南(试行)[R]. 北京: 国家发展和改革委员会, 2011. |
| [40] | 国务院. 中华人民共和国环境保护税法实施条例[EB/OL]. http://www.gov.cn/zhengce/content/2017-12/30/content_5251797.htm, 2017-12-30. |
| [41] | 财政部, 国家发展改革委, 环境保护部. 挥发性有机物排污收费试点办法(财税[2015]71号)[EB/OL]. https://baike.baidu.com/item/%E6%8C%A5%E5%8F%91%E6%80%A7%E6%9C%89%E6%9C%BA%E7%89%A9%E6%8E%92%E6%B1%A1%E6%94%B6%E8%B4%B9%E8%AF%95%E7%82%B9%E5%8A%9E%E6%B3%95/17912260?fr=aladdin, 2015-06-18. |
| [42] |
王凤婷, 方恺, 于畅. 京津冀产业能源碳排放与经济增长脱钩弹性及驱动因素——基于Tapio脱钩和LMDI模型的实证[J]. 工业技术经济, 2019, 38(8): 32-40. Wang F T, Fang K, Yu C. Decoupling between industrial energy-related carbon emissions and economic growth and its driving factors in Beijing, Tianjin and Hebei urban agglomeration-empirical study based on Tapio decoupling and LMDI model[J]. Journal of Industrial Technological Economics, 2019, 38(8): 32-40. |
| [43] |
王凌青, 王雪平, 方华军, 等. 青藏高原典型区域资源环境与社会经济耦合分析[J]. 环境科学学报, 2021, 41(6): 2510-2518. Wang L Q, Wang X P, Fang H J, et al. Coupling relationship between resource environment and social economy development in typical regions of Qinghai-Tibet Plateau[J]. Acta Scientiae Circumstantiae, 2021, 41(6): 2510-2518. |
| [44] | 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. |
| [45] |
苏凯, 陈毅辉, 范水生, 等. 市域能源碳排放影响因素分析及减碳机制研究——以福建省为例[J]. 中国环境科学, 2019, 39(2): 859-867. Su K, Chen Y H, Fan S S, et al. Influencing factors and reduction mechanism of carbon emissions at the city-range: an empirical study on Fujian province[J]. China Environmental Science, 2019, 39(2): 859-867. |
| [46] |
罗红成, 廖琪, 容誉. 湖北省能源消费CO2与大气污染物协同减排研究[J]. 环境污染与防治, 2022, 44(2): 266-271, 277. Luo H C, Liao Q, Rong Y. Research on synergistic emission reduction between CO2 and air pollutants of energy consumption in Hubei Province[J]. Environmental Pollution & Control, 2022, 44(2): 266-271, 277. |
| [47] |
李雪梅, 张庆. 天津市能源消费碳排放影响因素及其情景预测[J]. 干旱区研究, 2019, 36(4): 997-1004. Li X M, Zhang Q. Factors affecting carbon emission from energy consumption in Tianjin[J]. Arid Zone Research, 2019, 36(4): 997-1004. |
| [48] |
刘茂辉, 翟华欣, 刘胜楠, 等. 基于LMDI方法和STIRPAT模型的天津市碳排放量对比分析[J]. 环境工程技术学报, 2023, 13(1): 63-70. Liu M H, Zhai H X, Liu S N, et al. Comparative analysis of carbon emissions in Tianjin based on LMDI method and STIRPAT model[J]. Journal of Environmental Engineering Technology, 2023, 13(1): 63-70. |
| [49] |
张哲, 任怡萌, 董会娟. 城市碳排放达峰和低碳发展研究: 以上海市为例[J]. 环境工程, 2020, 38(11): 12-18. Zhang Z, Ren Y M, Dong H J. Research on carbon emissions peaking and low-carbon development of cities: a case of Shanghai[J]. Environmental Engineering, 2020, 38(11): 12-18. |
| [50] | 天津市人民政府. 天津市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[EB/OL]. http://www.tj.gov.cn/zwgk/szfwj/tjsrmzf/202102/t20210208_5353467.html, 2021-02-07. |
| [51] | 天津市发展和改革委员会. 天津市人口发展"十四五"规划[EB/OL]. http://fzgg.tj.gov.cn/zwgk_47325/zcfg_47338/zcwjx/fgwj/202111/t20211103_5673072.html, 2021-10-21. |
| [52] |
黄蕊, 王铮, 丁冠群, 等. 基于STIRPAT模型的江苏省能源消费碳排放影响因素分析及趋势预测[J]. 地理研究, 2016, 35(4): 781-789. Huang R, Wang Z, Ding G Q, et al. Trend prediction and analysis of influencing factors of carbon emissions from energy consumption in Jiangsu province based on STIRPAT model[J]. Geographical Research, 2016, 35(4): 781-789. |