环境科学  2024, Vol. 45 Issue (1): 104-114   PDF    
引用本文
杨峰, 张贵驰, 孙佶, 谢放尖, 揣小伟, 孙瑞玲. 基于LEAP模型的长三角某市碳达峰情景[J]. 环境科学, 2024, 45(1): 104-114.
YANG Feng, ZHANG Gui-chi, SUN Ji, XIE Fang-jian, CHUAI Xiao-wei, SUN Rui-ling. Study of Peak Carbon Emission of a City in Yangtze River Delta Based on LEAP Model[J]. Environmental Science, 2024, 45(1): 104-114.
基于LEAP模型的长三角某市碳达峰情景
杨峰1, 张贵驰1, 孙佶2, 谢放尖1, 揣小伟3, 孙瑞玲1     
1. 南京市生态环境保护科学研究院, 南京 210019;
2. 国信国际工程咨询集团股份有限公司, 南京 210019;
3. 南京大学地理与海洋科学学院, 南京 210023
收稿日期: 2023-01-20; 修订日期: 2023-04-02
基金项目: 南京市环保专项资金项目（202022, 202121）
作者简介: 杨峰（1983 ~）, 男, 博士研究生, 高级工程师, 主要研究方向为碳达峰碳中和与应对气候变化, E-mail：510723286@qq.com
通信作者: 孙佶, E-mail：sunji@gxzb.com.cn
摘要: 基于LEAP模型, 构建了适用于X市的LEAP-X分部门测算模型, 设置了基准情景、低碳情景、强化低碳情景和2023年达峰情景等4种碳排放达峰情景.测算分析结果表明, 仅在强化低碳情景与2023年达峰情景下可以实现2030年前碳达峰目标, 强化低碳情景达峰时间约在2025年但实际可能推迟, 峰值约为1.7亿t.工业是碳排放量最大部门, 石化行业是工业中占比最大行业, 不同情景下其占比始终保持在30%左右, 发电与钢铁行业占比逐年降低, 净调入电力逐渐增加.产业结构优化、能源结构调整是X市碳达峰主要驱动因素.强化低碳情景下单位GDP碳排放量在2030年将较2020年下降41%左右.
关键词: 碳达峰      LEAP模型      情景分析      X市      碳排放     
Study of Peak Carbon Emission of a City in Yangtze River Delta Based on LEAP Model
YANG Feng1 , ZHANG Gui-chi1 , SUN Ji2 , XIE Fang-jian1 , CHUAI Xiao-wei3 , SUN Rui-ling1     
1. Nanjing Institute of Ecological and Environmental Protection Sciences, Nanjing 210019, China;
2. Guoxin International Engineering Consulting Group Co., Ltd., Nanjing 210019, China;
3. School of Geography and Ocean Sciences, Nanjing University, Nanjing 210023, China
Abstract: Based on the LEAP model framework, a LEAP-X sub-sector calculation model suitable for X City was constructed in this study. Four scenarios including a baseline scenario, low-carbon scenario, enhanced low-carbon scenario, and peak in 2023 scenario were set up to predict and analyze the carbon emission situation. The calculation and analysis results showed that it could achieve the carbon peak before 2030 only under the enhanced low-carbon scenario and peak in 2023 scenario. The peak year of the enhanced low-carbon scenario was around 2025 with a peak carbon emission of approximately 170 million tons, but the peak time may actually be delayed. Industry was the largest sector of carbon emissions, and the petrochemical industry was the largest portion of industry, the proportion of which was always maintained at approximately 30% under different scenarios. However, the proportion of power generation and steel industry decreased annually, whereas the proportion of the net imported power gradually increased. Industrial structure optimization and energy structure adjustment were the main driving factors of carbon peak in X City. Carbon emissions per unit of GDP will fall by approximately 41% in 2030 compared with that in 2020 under the enhanced low-carbon scenario.
Key words: carbon emission peaks      LEAP model      scenario analysis      X City      carbon emission     

2020年9月, 中国提出2030年前实现碳达峰和2060年前实现碳中和的双碳目标[1], 2021年3月, 碳达峰碳中和纳入国家生态文明建设整体布局[2].目前关于碳达峰碳中和尤其是碳达峰的研究受到学者广泛关注, 采用综合评估模型对国家、省以及行业层面的碳排放达峰时间及峰值水平的研究较为普遍.如Zhang等[3]采用C-GEM模型预测我国碳排放将在2030年左右稳定在100亿t；Yang等[4]应用自下而上的模型, 指出必须实施共同控制措施和强有力的末端治理方式, 协同减少大气污染物与碳排放, 否则国家将无法在2030年前达峰；有学者使用STIRPAT和LEAP等模型, 通过设置不同的情景, 对国家[5~7], 区域[8~11], 以及北京[12~15]、天津[16~18]、江西[19, 20]、湖北[21, 22]、陕西[23, 24]、浙江[25~28]和江苏[29~31]等省（市）碳排放达峰时间和峰值水平等进行了研究；也有学者对电力[32~34]、钢铁[35~37]、水泥[38, 39]、石化化工[40]和煤化工[41, 42]等重点行业碳排放达峰路径进行了研究.

目前评估模型主要分为自顶向下和自底向上两大类.自顶向下模型主要有CGE模型[43]、MACRO模型[44]和STIRPAT模型[45]等, 自底向上的模型主要包括MARKAL模型[46]、AIM模型[47]和LEAP模型[48, 49]等, 各种主要模型特点简要对比见表 1.其中LEAP模型与情景分析法紧密结合, 综合考虑人口、经济发展和能效提升等因素影响, 可用于不同发展条件下中长期能源供应、能源终端需求和碳排放预测等, 也可以根据研究问题的自身特点和数据的可获得性而灵活设定模型结构、数据形式以及具体预测方法等优势, 适合长期能源规划, 现已广泛应用于国家、区域、部门和行业的能源战略和“双碳”战略研究中.

表 1 碳排放预测主要模型对比 Table 1 Comparison of major models for carbon emissions prediction

作为温室气体排放的重要主体, 同时作为发展低碳经济、实现绿色转型的基本行政单元[50], 城市的双碳研究对国家双碳目标的实现具有重要实践意义.X市作为长三角典型重要城市, 2020年全市常住人口约930万人, 能源消费结构以煤炭和电力为主, 工业企业综合能源消费约3 800万t标准煤, 非化石能源消费占比约为6.5%.本文选取X市作为对象, 依托LEAP模型, 通过构建使用于X市的LEAP-X分部门测算模型, 对X市碳达峰情况进行分析研究, 以期为城市碳达峰研究提供参考.

1 材料与方法 1.1 数据来源及处理

能源数据来源于X市能源平衡表, 主要有分部门能源消费数据和能源碳排放因子数据.根据行业分组消费量、全市工业产值及规上工业产值, 结合X市统计部门提供的煤炭、油品、天然气消费量、一次电力生产量、火力发电量和电力净调出量, 采用省级温室气体排放清单核算指南中煤炭、石油和天然气排放因子（以CO2/标准煤计）分别为2.66、1.73和1.56 t·t-1, 以及X市所在省份省级电网平均二氧化碳排放因子（以CO2/发电量计）0.682 9 kg·（kW·h）-1, 处理计算得到全市工业各行业分能源品种终端消费量, 用于计算工业各行业碳排放量以及衍生出能源结构和能源强度等数据.人口数量、地区生产总值、城市化率和产业占比等数据主要来源于政府年度工作报告和X市统计年鉴.

1.2 碳排放核算

本研究依托LEAP模型框架构建出LEAP-X模型, 研究主要包括对能源排放的核算以及基于LEAP模型和X市重点行业所对应的碳排放核算预测.核算方法参照IPCC编制的《国家温室气体清单指南》中的计算方法, 即根据化石能源的消费数量及特定的排放因子进行核算.根据X市产业部门分类与终端能源消费特点, 将X市LEAP预测划分为2个层级（图 1）.第一层级, 将能源消费部门分为工业、交通、建筑业、农业、服务业和居民生活等6大类；第二层次, 工业部门分化为发电、钢铁、石化、水泥和其他等5个子行业.针对每个消费部门, 分别设置了煤炭、石油、天然气、电力、热力和其他等6种能源消费类型.结合实际增加了净调入电力碳排放.

图 1 LEAP-X预测模型框架 Fig. 1 Framework of LEAP-X model

能源消费碳排放总量计算公式为：

式中, i = 1, 2, 3, …, 6, 表示工业部门、交通部门、建筑业部门、农业部门、服务业部门和居民生活等6个能源消费终端部门；j = 1, 2, 3, …, 6, 表示煤炭、石油、天然气、电力、热力和其他等6种能源；Eij表示i部门j能源的消费量, EFj表示j能源的碳排放系数.

1.3 情景设置

根据X市“十三五”期间经济发展及能源水平, 结合“十四五”规划纲要及后期发展实际等因素, 从不同碳排放驱动因素和节能减排的潜在路径出发, 共为X市设定基准情景（BS）、低碳情景（LS）、强化低碳情景（ELS）和2023年达峰情景（2023S, 特定情况）等4种情景, 以分析不同情景措施所取得的最大减排效果以及碳排放达峰路径.需要指出的是, 4种情景均基于同一GDP增速和人口增速预测, 不以牺牲经济发展为前提.在综合考虑新冠疫情影响的条件下, 假设“十四五”期间GDP年均增速约为6.5%, “十五五”期间年均增速约5.3%, 人口规模到2030年达到1 050万人左右.具体情景设定如下：

基准情景：参照当前经济发展方式, 按照全市经济惯性发展形势下的能耗和二氧化碳排放情景.基准情景主要考虑经济社会发展和终端能源使用效率提高两方面因素, 结合X市“十三五”期间经济及能耗水平发展趋势, 不再采取更进一步的减排措施.

低碳情景：该情景下采取具有针对性的碳减排措施, 通过产业绿色升级、能源低碳转型和能效大幅提升等路径, 确保X市碳排放总量于2030年左右进入平台期.低碳情景在基准情景的基础之上重点考虑落后产能淘汰、产业结构调整和发电、炼油等能源加工转化效率的提高.

强化低碳情景：该情景下利用先进节能减排技术调整能源结构、控制能源消费总量增速, 降低能源强度, 通过各种手段促使全市温室气体排放降幅达到最大可能.在强化低碳情景基础上会额外考虑电气化加速、能源清洁化替代和煤炭减量三大因素, 需要依赖更有力的技术支撑及电力结构的更大幅度调整.

2023年达峰情景：X市作为国家低碳城市试点, 在试点申报时基于发展要求提出了产业搬迁和转型的重大布局规划, 于是在试点实施方案中提出2023年左右达峰的目标.但由于后期规划布局的调整, 2023年达峰目标已不符合实际, 需重新评估.该情景结合X市低碳城市试点目标和早期上级部门对X市碳达峰的目标导向, 在强化各部门各行业碳排放强度控制目标的基础上, 进一步加快产业结构调整.

不同情景减排措施及参数设置如表 2所示.

表 2 不同情景减排措施及参数设置1） Table 2 Emission reduction measures and parameter settings in different scenarios

2 结果与分析 2.1 碳排放现状分析

通过CE公式核算分析, X市2015 ~ 2020年碳排放总量从1.46亿t上升至1.62亿t, 年平均增幅为2.2%, 整体呈先缓后增再缓的状态.2016 ~ 2020年逐年增幅分别为2.0%、0.03%、5.0%、2.7%和0.7%.其中2017年受大气“国十条”收官考核影响、2020年受疫情和“十三五”收官影响, 全市煤炭消费未有明显增加, 导致全市碳排放量有显著放缓.进一步分析表明, X市碳排放强度“十三五”以来呈逐年下降态势, 其中2017年碳排放强度降幅最大, 同比降幅在10.3%左右, 其他各年份降幅均在5%左右.全市产业结构也进一步调优调轻, 三产占比由2015年的2.4∶40.3∶57.3调整为2020年的2.0∶35.2∶62.8.化石能源消费整体呈下降趋势, 非化石能源消费比重逐年增加, 由2015年2.5%提升至2020的6.5%.

2.2 碳排放达峰预测

X市不同情景碳排放总量趋势预测如图 2所示.在基准情景下, 全市碳排放总量基本呈增加趋势, 在2030年前未能达峰；低碳情景下, 随着产业绿色升级、能效提升及终端能源消费结构向电力和天然气转变, 全市碳排放总量与基准情景相比有大幅下降, 2030年前虽未明显达峰, 但在2028年左右已基本进入平缓增长期, 平缓期二氧化碳排放总量将在1.82亿t左右；强化低碳情景下, 随着电气化、能源清洁化进一步加强, 先进节能减排技术得到应用, 能耗强度大幅下降, 能源消费总量增速进一步减少, 全市碳排放总量将在2025年左右达峰, 峰值二氧化碳排放总量约为1.7亿t；2023年达峰情景下, 全市碳排放总量将在2023年达峰.由于基准情景难以达峰, 本文将主要对低碳情景、强化低碳情景和2023年达峰情景进行分析.

图 2 X市不同情景碳排放总量及趋势预测 Fig. 2 Prediction of carbon emissions and trend of X City under different scenarios

2.3 测算结果及分析

分部门碳排放模型测算分别如图 3和图 4所示.可以看到, 3种情景下, 工业消费碳排放量均是X市碳排放占比最大类, 其次是净调入电力和交通, 服务业、居民生活、农业和建筑业等消费类整体碳排放量较小且变化不明显.具体来看, 工业部门中, 石化行业是碳排放中占比最大的行业, 其次是发电行业与钢铁行业.考虑到石化行业暂无产能淘汰计划及新上大型项目计划, 石化行业碳排放占比在3种情景中波动较小, 始终保持在30%上下, 碳排放量保持在大约4 800万t.随着产业结构升级、工业技术改造和能源效率提高, 工业碳排放占比逐年降低, 这在发电和钢铁行业表现明显：到2025年和2030年, 在低碳情景下, 发电行业碳排放量占比分别由原来的25.0%降至20.4%和14.8%；在强化低碳情景和2023年达峰情景下, 这一数据分别降至21.2%和15.9%、19.8%和16.6%.对钢铁行业, 在低碳情景下, 钢铁行业碳排放量占比则由17.7%降至14.9%和12.7%；在强化低碳情景和2023年达峰情景下, 这一数据分别降至14.7%和12.3%、13.3%和11.3%.与之不同的是, 其他部门碳排放量及占比逐渐增加, 这其中尤以净调入电力碳排放量及占比随时间变化明显.在低碳情景下, 净调入电力碳排放量占比到2025年由原来的10.2%增加至21.5%, 到2030年更增加至30.0%；在强化低碳情景和2023年达峰情景下, 这一增长趋势虽低于低碳情景, 但也分别增加至18.8%、25.4%和22.7%、25.7%.

（a）低碳情景；（b）强化低碳情景；（c）2023年达峰情景 图 3 不同情景下各部门碳排放量 Fig. 3 Carbon emissions of different sectors under different scenarios

（a）低碳情景；（b）强化低碳情景；（c）2023年达峰情景 图 4 不同情景下各部门碳排放量占比 Fig. 4 Proportion of carbon emissions in different sectors under different scenarios

2.4 达峰情景分析

低碳情景下, 发电行业“十四五”期间淘汰燃煤机组40万kW, 新上燃气机组65万kW, 总装机容量达到960万kW, 发电量降低4%；“十五五”期间再淘汰100万kW燃煤机组, 供电煤耗到2030年下降至282 g·（kW·h）-1, 碳排放量将从2020年的3 846万t降至2030年的2 764万t.钢铁行业某企业按计划2027年启动搬迁, 2028年完成搬迁后淘汰粗钢产能760万t, 同时推动吨钢综合能耗持续下降, 碳排放量将从2020年的2 721万t降至2030年的1 578万t.建材行业“十四五”期间淘汰产能160万t, “十五五”期间进一步削减水泥熟料产能, 碳排放量将从2020年202万t下降至2030年94万t.净调入电力碳排放量将从2020年的1 569万t提高至2030年的5 585万t.该情景下, 到2030年非电行业煤炭消费量较2020年下降约430万t, 天然气消费翻一番, 非化石能源占比达到12%, “十四五”和“十五五”期间单位工业增加值能耗强度分别下降13%和24%, 2030年单位GDP排放量较2020年下降32%.

强化低碳情景下, 发电行业“十四五”期间淘汰燃煤机组60万kW, 新上燃气机组65万kW, 总装机容量达到940万kW, 发电量减少38亿kW·h；“十五五”期间再淘汰200万kW燃煤机组, 供电煤耗到2030年下降至274 g·（kW·h）-1, 碳排放量将从2020年的3 846万t降至2030年的2 627万t.钢铁行业某企业按计划2025年启动搬迁, 2028年完成搬迁后淘汰粗钢产能760万t, 其中“十四五”削减粗钢产量50万t, 同时推动吨钢综合能耗（以标准煤计）到2025年下降至540 kg·t-1, “十五五”持续下降, 碳排放量将从2020年的2 721万t降至2030年的1 465万t.建材行业按照规划目标, 到2025年淘汰448万t熟料产能, “十五五”进一步削减水泥熟料产量, 碳排放量将从2020年202万t下降至2030年80万t.净调入电力碳排放量将从2020年的1 569万t提高至2030年的4 198万t.该情景下, 能源利用效率在低碳情景基础上继续提升各部门各行业排放强度控制目标, 提升率达到3% ~ 10%, “十四五”和“十五五”期间单位工业增加值能耗强度下降目标分别达17%和31%.2030年单位GDP排放量较2020年下降41%.

2023年达峰情景下, 发电行业到2025年淘汰燃煤机组130万kW, 新上燃气机组100万kW, 总装机容量达到900万kW, 机组平均利用小时数不断降低, 发电量削减72亿kW·h；“十五五”期间再淘汰130万kW燃煤机组, 燃气机组增加100万kW, 供电煤耗至2030年下降至263 g·（kW·h）-1, 碳排放量将从2020年的3 846万t降至2030年的2 461万t.到2025年, 钢铁行业粗钢产量在强化低碳情景基础上进一步削减220万t, 即“十四五”期间削减270万t, 在2028年完成钢铁企业搬迁的基础上, 进一步控制粗钢产量, 同时推动吨钢综合能耗（以标准煤计）到2030年下降至528 kg·t-1, 碳排放量将从2020年的2 721万t降至2030年的1 285万t.建材行业在强化低碳情景的基础上不做进一步调整.净调入电力碳排放量将从2020年的1 569万t提高至2030年的3 799万t.该情景下能源消费量提前至“十四五”中期达峰, 钢铁行业减煤量扩大, 天然气消费量翻两番.到2025年, 非化石能源占比达到15%, “十四五”和“十五五”期间单位工业增加值能耗强度下降目标分别达20%和36%, 2030年单位GDP排放量较2020年下降47%.3种情景下各关键指标总体情况及重点领域指标变化情况如表 3和表 4所示.

表 3 不同情景关键参数 Table 3 Key parameters of different scenarios

表 4 关键指标发展水平汇总1） Table 4 Summary of development level of key indicators

2.5 达峰路径与驱动因素分析

综合考虑3种情景中的产业结构调整、能源结构优化等因素, 为确保X市于2030年前实现碳达峰, 强化低碳情景是相对较优选择.该情景下, X市碳达峰路径主要可概括为：①通过产业结构优化, 推动高耗能产能转移与淘汰, 降低全市碳排放基数.重点包括削减燃煤机组装机容量, 提高燃气机组占比, 实施钢铁产能转移和淘汰落后水泥熟料产能等.②通过能源结构调整, 降低单位能源利用碳排放强度, 实现社会低碳化.重点体现在发电行业提高燃气发电比例, 减少煤炭消费；钢铁行业增加电炉炼钢比例进而降低煤炭消费；建材、石化等其他行业循序渐进提高电气化程度；交通领域大力发展新能源汽车.③通过提高能源利用效率、发展循环经济和资源高效利用等手段来降低社会发展对能源消耗的高需求.简要来讲主要是重点降低发电机组供电煤耗, 降低粗钢吨钢综合能耗及吨水泥熟料综合能耗, 其他各领域首要以节能作为控碳排放途径.

就达峰驱动因素而言, 该情景下, 达峰驱动因素重点体现在产业结构优化及能源结构调整.具体来讲, 产业结构优化方面钢铁行业产能转移将大幅降低钢铁行业能源消费需求, 实现约600万t二氧化碳减排量；水泥行业产能淘汰将实现约350万t二氧化碳减排量.能源结构调整方面主要体现在煤炭减量、电气化加速和能源清洁化替代等, LEAP-X模型显示, 到2030年X市全社会煤炭消费比重将由2015年的56%下降至29%, 非电行业煤炭消费比重将由39%下降至21%, 电力及天然气消费比重将由19%提升至37%, 由此能源结构调整将实现约1 500万t二氧化碳减排量.此外, 各行业加工转化效率的提高将实现能源高效利用, 也将降低全市碳排放总量.需要指出的是, 由于该情景将钢铁产能淘汰列入达峰路径之一, 考虑到X市钢铁产能转移所面临的不确定性, 实际达峰时间可能晚于2025年, 这也间接印证选择强化低碳情景而非低碳情景对X市在2030年前实现碳达峰是最优选择.

3 结论

（1）基准情景和低碳情景难以实现X市2030年前碳达峰目标, 仅在强化低碳情景与2023年达峰情景下可以实现, 强化低碳情景达峰时间约在2025年但实际可能推迟, 峰值约为1.7亿t；低碳情景在2030年仍处于平缓增长期, 2023年达峰情景为目标导向情景, 实际难以达成.

（2）不同情景下工业碳排放均是X市碳排放量最大部门, 石化行业是工业中占比最大行业, 碳达峰前始终保持在30%左右；其次是发电行业与钢铁行业, 两者碳排放量及占比逐年降低, 净调入电力则与之相反, 逐渐增加.

（3）产业结构优化与能源结构调整是X市碳达峰主要驱动因素, 前者主要体现在钢铁产能转移及水泥产能淘汰, 后者主要体现在煤炭减量、电气化加速及能源清洁化替代.到2030年, 强化低碳情景下X市单位GDP碳排放量将较2020年下降41%左右.

参考文献
[1] 中国政府网. 习近平在第七十五届联合国大会一般性辩论上的讲话[EB/OL]. http://www.gov.cn/xinwen/2020-09/22/content_5546169.htm, 2020-09-22.
[2] 中国政府网. 习近平主持召开中央财经委员会第九次会议[EB/OL]. http://www.gov.cn/xinwen/2021-03/15/content_5593154.htm, 2021-03-15.
[3] Zhang X L, Karplus V J, Qi T Y, et al. Carbon emissions in China: How far can new efforts bend the curve?[J]. Energy Economics, 2016, 54: 388-395. DOI:10.1016/j.eneco.2015.12.002
[4] Yang X, Teng F. Air quality benefit of China's mitigation target to peak its emission by 2030[J]. Climate Policy, 2017, 18(1): 99-110.
[5] 陈喜阳, 周程, 王田. 多情景视角下中国能源消费和碳达峰路径[J]. 环境科学, 2023, 44(10): 5464-5477.
Chen X Y, Zhou C, Wang T. China's energy consumption and carbon peak path under different scenarios[J]. Environmental Science, 2023, 44(10): 5464-5477.
[6] 陈涛, 李晓阳, 陈斌. 中国碳排放影响因素分解及峰值预测研究[J/OL]. 安全与环境学报. https://doi.org/10.13637/j.issn.1009-6094.2022.1448, 2023-03-23.
Chen T, Li X Y, Chen B. Decomposition of influencing factors and peak prediction of carbon emissions in China[J/OL]. Journal of Safety and Environment. https://doi.org/10.13637/j.issn.1009-6094.2022.1448, 2023-03-23.
[7] 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.
[8] 王韶华, 赵暘春, 张伟, 等. 京津冀碳排放的影响因素分析及达峰情景预测——基于供给侧改革视角[J]. 北京理工大学学报(社会科学版), 2022, 24(6): 54-66.
Wang S H, Zhao Y C, Zhang W, et al. Analysis on influencing factors of carbon emission and scenario forecast of carbon peak in Beijing-Tianjin-Hebei —A perspective of supply-side reform[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2022, 24(6): 54-66.
[9] 马兆良, 梅加兰. 多情境视角下中国中部六省碳达峰预测[J]. 科技管理研究, 2022, 42(13): 216-222.
Ma Z L, Mei J L. Research on carbon peak prediction in six provinces in central China from a multi-situation perspective[J]. Science and Technology Management Research, 2022, 42(13): 216-222. DOI:10.3969/j.issn.1000-7695.2022.13.028
[10] 岳书敬. 长三角城市群碳达峰的因素分解与情景预测[J]. 贵州社会科学, 2021(9): 115-124.
Yue S J. Factor decomposition and scenario prediction of the carbon peak of the city clusters in the yangtze river delta[J]. Guizhou Social Sciences, 2021(9): 115-124.
[11] 王少剑, 莫惠斌, 方创琳. 珠江三角洲城市群城市碳排放动态模拟与碳达峰[J]. 科学通报, 2022, 67(7): 670-684.
Wang S J, Mo H B, Fang C L. Carbon emissions dynamic simulation and its peak of cities in the Pearl River Delta urban agglomeration[J]. Chinese Science Bulletin, 2022, 67(7): 670-684.
[12] Wen L, Liu Y J. The peak value of carbon emissions in the Beijing-Tianjin-Hebei region based on the STIRPAT model and scenario design[J]. Polish Journal of Environmental Studies, 2016, 25(2): 823-834.
[13] He C M, Jiang K J, Chen S, et al. Zero CO2 emissions for an ultra-large city by 2050: case study for Beijing[J]. Current Opinion in Environmental Sustainability, 2019, 36: 141-155. DOI:10.1016/j.cosust.2018.10.006
[14] Liu Z, Liu Z R, Song T, et al. Long-term variation in CO2 emissions with implications for the interannual trend in PM2.5 over the last decade in Beijing, China[J]. Environmental Pollution, 2020, 266. DOI:10.1016/j.envpol.2020.115014
[15] Liu Z, Wang F, Tang Z Y, et al. Predictions and driving factors of production-based CO2 emissions in Beijing, China[J]. Sustainable Cities and Society, 2020, 53. DOI:10.1016/j.scs.2019.101909
[16] 刘茂辉, 岳亚云, 刘胜楠, 等. 基于STIRPAT模型天津减污降碳协同效应多维度分析[J]. 环境科学, 2023, 44(3): 1277-1286.
Liu M H, Yue Y Y, Liu S N, et al. Multi-dimensional analysis of the synergistic effect of pollution reduction and carbon reduction in Tianjin based on the STIRPAT model[J]. Environmental Science, 2023, 44(3): 1277-1286. DOI:10.3969/j.issn.1000-6923.2023.03.029
[17] 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.
[18] Ren J L, He J J, Kong X F, et al. A field study of CO2 and particulate matter characteristics during the transition season in the subway system in Tianjin, China[J]. Energy and Buildings, 2022, 254. DOI:10.1016/j.enbuild.2021.111620
[19] 席细平, 谢运生, 王贺礼, 等. 基于IPAT模型的江西省碳排放峰值预测研究[J]. 江西科学, 2014, 32(6): 768-772.
Xi X P, Xie Y S, Wang H L, et al. Forecast of Jiangxi's carbon emissions to peak based on IPAT model[J]. Jiangxi Science, 2014, 32(6): 768-772.
[20] 吴晓方, 范敏, 谢运生, 等. 江西省碳排放现状与应对达峰策略[J]. 能源研究与管理, 2022(2): 1-5.
Wu X F, Fan M, Xie Y S, et al. Current situation of carbon emissions in Jiangxi Province and strategies for coping with peaking[J]. Energy Research and Management, 2022(2): 1-5.
[21] 龙妍, 丰文先, 王兴辉. 基于LEAP模型的湖北省能源消耗及碳排放分析[J]. 电力科学与工程, 2016, 32(5): 1-6, 19.
Long Y, Feng W X, Wang X H. Analysis of Hubei Province's energy consumption and carbon emission based on LEAP model[J]. Electric Power Science and Engineering, 2016, 32(5): 1-6, 19.
[22] Wen Y, Hu P Q, Li J F, et al. Does China's carbon emissions trading scheme really work? A case study of the hubei pilot[J]. Journal of Cleaner Production, 2020, 277. DOI:10.1016/j.jclepro.2020.124151
[23] 邱硕, 王雪强, 毕胜山, 等. LEAP模型下的陕西省节能与温室气体减排潜力分析[J]. 西安交通大学学报, 2016, 50(11): 28-35.
Qiu S, Wang X Q, Bi S S, et al. Analysis of energy conservation and GHG emission reduction potential of Shaanxi province under the LEAP model[J]. Journal of Xi'an Jiaotong University, 2016, 50(11): 28-35.
[24] Wang Y, Wang H P. Forecasting CO2 emissions using a novel fractional discrete grey Bernoulli model: A case of Shaanxi in China[J]. Urban Climate, 2023, 49. DOI:10.1016/j.uclim.2023.101452
[25] 陈丽君, 吴红梅, 范玲, 等. 浙江省碳排放峰值判断及其对策研究[J]. 中国能源, 2017, 39(4): 43-47.
Chen L J, Wu H M, Fan L, et al. Study on carbon emission peak value Judgement and countermeasures in Zhejiang[J]. Energy of China, 2017, 39(4): 43-47.
[26] Qu Y, Li J, Wang S G. Green total factor productivity measurement of industrial enterprises in Zhejiang Province, China: A DEA model with undesirable output approach[J]. Energy Reports, 2022, 8(S7): 307-317.
[27] 顾张锋, 徐丽华, 马淇蔚, 等. 浙江省都市区碳排放时空演变及其影响因素[J]. 自然资源学报, 2022, 37(6): 1524-1539.
Gu Z F, Xu L H, Ma Q W, et al. Spatio-temporal evolution of carbon emissions in metropolitan areas and its influencing factors: a case study of Zhejiang province[J]. Journal of Natural Resources, 2022, 37(6): 1524-1539.
[28] 陈宇光. 基于LEAP模型的浙江省能源消费和碳达峰路径规划研究[J]. 湖州师范学院学报, 2022, 44(5): 8-16.
Chen Y G. On the LEAP model-based path planning of energy consumption and peak carbon emissions in Zhejiang Province[J]. Journal of Huzhou University, 2022, 44(5): 8-16.
[29] 王春春, 王远, 朱晓东. 基于长期能源替代规划模型的江苏省能源CO2排放达峰时间及峰值水平[J]. 应用生态学报, 2019, 30(10): 3535-3543.
Wang C C, Wang Y, Zhu X D. Peak volume and time of energy-related CO2 emissions in Jiangsu Province, China based on long-range energy alternatives planning system model[J]. Chinese Journal of Applied Ecology, 2019, 30(10): 3535-3543.
[30] Xu S C, Zhang L, Liu Y T, et al. Determination of the factors that influence increments in CO2 emissions in Jiangsu, China using the SDA method[J]. Journal of Cleaner Production, 2017, 142: 3061-3074. DOI:10.1016/j.jclepro.2016.10.161
[31] 李光亮, 李效顺, 和伟康, 等. 基于系统建模的城市土地利用碳达峰仿真研究——以江苏省为例[J]. 长江流域资源与环境, 2023, 32(2): 260-272.
Li G L, Li X S, He W K, et al. Simulation of carbon peak of urban land use based on system dynamics model: Take Jiangsu Province as an example[J]. Resources and Environment in the Yangtze Basin, 2023, 32(2): 260-272.
[32] 王丽娟, 张剑, 王雪松, 等. 中国电力行业二氧化碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 329-338.
Wang L J, Zhang J, Wang X S, et al. Pathway of carbon emission peak in China's electric power industry[J]. Research of Environmental Sciences, 2022, 35(2): 329-338.
[33] 姜洪殿, 杨倩如, 董康银. 中国电力行业低碳转型政策的经济-能源-环境影响[J]. 中国人口·资源与环境, 2022, 32(6): 30-40.
Jiang H D, Yang Q R, Dong K Y. Socio-economic, energy, and environmental effects of low-carbon transition policies on China's power industry[J]. China Population, Resources and Environment, 2022, 32(6): 30-40.
[34] 向梦宇, 王深, 吕连宏, 等. 基于不同电力需求的中国减污降碳协同增效路径[J]. 环境科学, 2023, 44(7): 3637-3648.
Xiang M Y, Wang S, Lv L H, et al. Synergistic paths of reduce pollution and carbon emissions based on different power demand in China[J]. Environmental Science, 2023, 44(7): 3637-3648.
[35] 汪旭颖, 李冰, 吕晨, 等. 中国钢铁行业二氧化碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 339-346.
Wang X Y, Li B, Lv C, et al. China's iron and steel industry carbon emissions peak pathways[J]. Research of Environmental Sciences, 2022, 35(2): 339-346.
[36] 潘崇超, 王博文, 侯孝旺, 等. 基于LMDI-STIRPAT模型的中国钢铁行业碳达峰路径研究[J]. 工程科学学报, 2023, 45(6): 1034-1044.
Pan C C, Wang B W, Hou X W, et al. Carbon peak path of the Chinese iron and steel industry based on the LMDI-STIRPAT model[J]. Chinese Journal of Engineering, 2023, 45(6): 1034-1044.
[37] 薛英岚, 张静, 刘宇, 等. "双碳"目标下钢铁行业控煤降碳路线图[J]. 环境科学, 2022, 43(10): 4392-4400.
Xue Y L, Zhang J, Liu Y, et al. Roadmap of coal control and carbon reduction in the steel industry under the carbon peak and neutralization target[J]. Environmental Science, 2022, 43(10): 4392-4400.
[38] 贺晋瑜, 何捷, 王郁涛, 等. 中国水泥行业二氧化碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 347-355.
He J Y, He J, Wang Y T, et al. Pathway of carbon emissions peak for cement industry in China[J]. Research of Environmental Sciences, 2022, 35(2): 347-355.
[39] 张舒涵, 陈晖, 王彬, 等. 基于水泥企业"电-碳"关系的碳排放监测分析[J]. 中国环境科学, 2023, 43(7): 3787-3795.
Zhang S H, Chen H, Wang B, et al. Carbon emission monitoring analysis based on "Electricity-Carbon" relationship of cement enterprises[J]. China Environmental Science, 2023, 43(7): 3787-3795.
[40] 庞凌云, 翁慧, 常靖, 等. 中国石化化工行业二氧化碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 356-367.
Pang L Y, Weng H, Chang J, et al. Pathway of carbon emission peak for China's petrochemical and chemical industries[J]. Research of Environmental Sciences, 2022, 35(2): 356-367.
[41] 张鸿宇, 王媛, 郝成亮, 等. 双碳约束下煤化工行业节煤降碳减污协同[J]. 环境科学, 2023, 44(2): 1120-1127.
Zhang H Y, Wang Y, Hao C L, et al. Coal-carbon-pollutant coordinated control of coal chemical industry under carbon peak and carbon neutrality constraints[J]. Environmental Science, 2023, 44(2): 1120-1127.
[42] 金玲, 郝成亮, 吴立新, 等. 中国煤化工行业二氧化碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 368-376.
Jin L, Hao C L, Wu L X, et al. Pathway of carbon emissions peak of China's coal chemical industry[J]. Research of Environmental Sciences, 2022, 35(2): 368-376.
[43] Robinson S, Yúnez-Naude A, Hinojosa-Ojeda R, et al. From stylized to applied models: : Building multisector CGE models for policy analysis[J]. The North American Journal of Economics and Finance, 1999, 10(1): 5-38.
[44] Koo G H, Lee J H, Yoo B, et al. Evaluation of laminated rubber bearings for seismic isolation using modified macro-model with parameter equations of instantaneous apparent shear modulus[J]. Engineering Structures, 1999, 21(7): 594-602.
[45] 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.
[46] 陈文颖, 吴宗鑫. 用MARKAL模型研究中国未来可持续能源发展战略[J]. 清华大学学报(自然科学版), 2001, 41(12): 103-106.
Chen W Y, Wu Z X. Study on China's future sustainable energy development strategy using MARKAL model[J]. Journal of Tsinghua University (Science and Technology), 2001, 41(12): 103-106.
[47] Pradhan B B, Shrestha R M, Limmeechokchai B, et al. Achieving the Paris Agreement's 2 degree target in Nepal: The potential role of a carbon tax[J]. Climate Policy, 2020, 20(3): 387-404.
[48] Hu G X, Ma X M, Ji J P. Scenarios and policies for sustainable urban energy development based on LEAP model-A case study of a postindustrial city: Shenzhen China[J]. Applied Energy, 2019, 238: 876-886.
[49] 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.
[50] 庄贵阳. 中国低碳城市试点的政策设计逻辑[J]. 中国人口·资源与环境, 2020, 30(3): 19-28.
Zhuang G Y. Policy design logic of low-carbon city pilots in China[J]. China Population Resources and Environment, 2020, 30(3): 19-28.