环境科学  2024, Vol. 45 Issue (4): 1898-1906   PDF    
引用本文
李慧鹏, 李荔, 殷茵, 何文太, 宿杰, 赵秋月. 基于LEAP模型的工业园区碳达峰路径：以南京某国家级开发区为例[J]. 环境科学, 2024, 45(4): 1898-1906.
LI Hui-peng, LI Li, YIN Yin, HE Wen-tai, SU Jie, ZHAO Qiu-yue. Carbon Peak Pathways of Industrial Parks Based on the LEAP Model: A Case Study of a National Development Zone in Nanjing[J]. Environmental Science, 2024, 45(4): 1898-1906.
基于LEAP模型的工业园区碳达峰路径：以南京某国家级开发区为例
李慧鹏 , 李荔 , 殷茵 , 何文太 , 宿杰 , 赵秋月     
江苏省环境科学研究院, 江苏省环境工程重点实验室, 南京 210036
收稿日期: 2023-05-05; 修订日期: 2023-07-06
基金项目: 国家重点研发计划项目（2023YFC3709404）；江苏省创新能力建设计划项目（科技设施类）（BM2018017）；2022年度江苏省第六期“333工程”重点行业领域人才项目
作者简介: 李慧鹏（1991~）, 男, 硕士研究生, 工程师, 主要研究方向为能源与低碳政策, E-mail：lihuipengtz@163.com
通信作者: 赵秋月, E-mail：qiuyue.zhao@163.com
摘要: 工业园区是能源消费和碳排放的密集区域, 推动工业园区碳达峰对国家早日实现碳达峰目标具有重要意义. 以南京某国家级开发区为例, 基于LEAP模型, 设置基准情景（BAU）、非工业减排（S1）、全行业一般减排（S2）、全行业强化减排（S3）和深度减排（S4）共5类情景, 分析各情景下的能源消费需求和CO2排放变化情况, 评估各项措施的碳减排贡献, 提出园区实现碳达峰目标的政策建议. 结果表明, S2、S3和S4情景下能源消费需求和CO2排放量将分别于2035、2030和2028年达到峰值, 能源消费需求峰值（以标煤计）分别为26.28、21.66和19.10万t, CO2排放峰值分别为75.35、59.34和53.24万t. 工业是研究区域能源消费和碳排放的主要贡献行业, S2、S3和S4情景下工业能源消费和碳排放占比分别于2035年、2030年和2028年达到峰值57.1%、56.0%、53.6%和64.2%、66.2%和62.9%. 工业能效提升的碳减排贡献最大, 其次为经济增速放缓, 交通新能源汽车推广和公共建筑节能的碳减排贡献不显著. 综合考虑碳达峰时间和园区碳排放强度考核目标, 建议将S3情景作为该园区碳达峰的实施路径. 研究建议, 碳减排应以工业为重点, 以提升能效水平为主, 优先从重点行业入手. 同时不断提升新能源汽车占比, 降低公共建筑能耗水平.
关键词: LEAP模型      工业园区      能源消费      碳减排      碳达峰     
Carbon Peak Pathways of Industrial Parks Based on the LEAP Model: A Case Study of a National Development Zone in Nanjing
LI Hui-peng , LI Li , YIN Yin , HE Wen-tai , SU Jie , ZHAO Qiu-yue     
Jiangsu Key Laboratory of Environmental Engineering, Jiangsu Provincial Academy of Environmental Science, Nanjing 210036, China
Abstract: Industrial parks are concentrated areas for energy consumption and carbon emissions. Promoting the carbon peak of industrial parks is of great significance for China to achieve the carbon peak goal as soon as possible. Taking a national development zone in Nanjing as an example, five scenarios were set up based on the LEAP model: a baseline scenario (BAU), non-industrial carbon reduction scenario (S1), industrial carbon reduction scenario (S2), enhanced industrial carbon reduction scenario (S3), and all-factor carbon reduction scenario (S4). The energy consumption and CO2 emissions in each scenario were analyzed, and the contributions of various measures for CO2 emission reduction were evaluated. Policy recommendations for achieving carbon peak goals in the industrial park were proposed. The results indicated that energy consumption demand and CO2 emissions will peak in 2035, 2030, and 2028 in the S2, S3, and S4 scenarios. The peak energy consumption was 262.8, 216.6, and 191.0 thousand tons of standard coal equivalent, with peak CO2 emissions reaching 753.5, 593.4, and 532.4 thousand tons, respectively. Industry was the main contributor to energy consumption and CO2 emissions. The proportions of industrial energy consumption and CO2 emissions in the S2, S3, and S4 scenarios were predicted to peak at 57.1%, 56.0%, and 53.6% and 64.2%, 66.2%, and 62.9% in 2035, 2030, and 2028, respectively. Improving industrial energy efficiency made the greatest contribution to CO2 emissions reduction, followed by a slowdown in economic growth. The contribution of promoting new energy vehicles and energy conservation in public buildings to CO2 emissions reduction was not significant. Considering the carbon peak time and the goal of CO2 emission intensity reduction in the industrial parks, the S3 scenario was recommended as the carbon peak pathway for the industrial park. The research also suggested that carbon reduction should focus on industry, with the first priority given to key industries by improving energy efficiency. Further, an increase in the proportion of new energy vehicles and a reduction in the energy consumption of public buildings are also needed.
Key words: LEAP model      industrial parks      energy consumption      carbon reduction      peak carbon dioxide emissions     

随着全球碳排放量的逐渐增加, 气候变暖产生的恶劣影响愈加显著, 对全人类的生命财产安全产生严峻威胁. 为积极应对气候变化, 习近平主席在第七十五届联合国大会一般性辩论上做出碳达峰、碳中和的郑重承诺, 中国将提高国家自主贡献力度, 采取更加有力的政策和措施, 二氧化碳排放力争于2030年前达到峰值, 努力争取2060年前实现碳中和[1]. 实现碳达峰、碳中和目标已经成为我国应对气候变化的重大战略.

工业是我国能源消费和碳排放的主要领域之一. 2020年我国工业领域能源消费量约占全国总量的66.8%[2]. 工业园区作为我国工业化与城镇化的重要载体, 已经成为我国工业发展过程中最主要也是最普及的发展空间[3], 也是能源消费与碳排放的密集区域[4]. 有研究表明, 我国工业园区CO2排放量约占全国排放总量的31%[5]. 由此可见, 工业园区节能减排对实现碳达峰、碳中和的目标具有重要意义. 江苏省作为我国发展水平较高的工业经济大省, 工业园区数量众多, 省级以上开发区贡献了超过江苏省一半的经济总量. 江苏省同时也是能源消耗和碳排放大省, 根据清华大学MEIC团队研究成果, 江苏省CO2排放量约占全国排放总量的7%, 位居全国第四位, 工业CO2排放量在全省排放占比超80%[6~ 8]. 随着未来工业企业入园率的不断提升, 工业园区的能源消费和碳排放量将持续增加. 因此, 以工业园区为碳减排的落脚点, 是江苏乃至全国实现碳达峰碳中和目标的重要途径[9].

长期能源替代规划系统模型（long-range energy alternatives planning system, LEAP）是一种基于情景分析的经济-能源-环境综合模型[10], 被广泛地应用于能源和碳排放的研究中[11]. 总体来看, 目前已有研究涵盖了工业[12~ 16]、交通[17~ 21]、建筑[22, 23]和居民生活[24]等诸多领域, 主要集中在国家[25, 26]、城市群[27~ 30]及省市[31~ 36]层面, 对园区等小区域层面的研究稍显不足. 有学者开展了园区层面的碳排放预测研究[37], 但模型结构精细度不高, 未对工业行业类型进行详细划分, 也未将交通、建筑和居民生活等因素纳入, 模型的适用性一般. 为此, 以南京某国家级开发区为例, 综合考虑工业、交通、建筑和居民生活等因素, 构建了符合区域特征的LEAP模型. 通过设置5种发展情景, 模拟分析了研究区域未来能源消费需求、CO2排放变化情况及不同措施的碳减排潜力, 旨在为研究区域科学合理确定碳达峰路径提供技术支撑, 同时为其他工业园区制定碳达峰路径提供工作思路.

1 材料与方法 1.1 研究区域概况

研究区域位于江苏省南京市, 园区管辖面积约70 km2, 常住人口10.3万人. 历经30余年的发展, 研究区域已经形成了软件及电子信息、北斗卫星导航应用和生物医药特色产业集群, 成为带动区域经济结构升级和经济发展方式转变的驱动引擎之一. 近年来, 研究区域经济发展迅速, 规模以上工业企业数量和工业产值呈逐年增加态势, 综合能耗总体稳定略有波动. 2021年, 研究区域规模以上工业企业共97家, 同比增加19家；工业总产值约460.0亿元, 同比增长15.1%；规模以上工业企业综合能耗（以标煤计, 下同）5.63万t, 与2019年基本持平, 同比增长12.8%. 其中, 汽车制造、医药制造和设备制造等行业的综合能耗约占全区规模以上工业企业综合能耗总量的56.5%. 目前, 研究区域能源结构低碳化程度相对较高, 无煤炭消费, 规模以上工业企业能源消费结构以外购电力（74.1%）和热力（16.5%）为主, 天然气（7.7%）、汽油（1.4%）和柴油（0.3%）等化石能源消费占比较低.

1.2 LEAP模型介绍

LEAP模型是由斯德哥尔摩研究所开发的一种能源政策分析和气候变化评估模型. 该模型基于情景分析, 可用于预测不同发展模式下各部门的能源生产、转换、消费以及大气污染物和温室气体排放等情况, 被诸多国家和地区用于能源规划、温室气体减排和大气污染物控制等研究中.

基于研究区域能源消费特征和未来发展规划, 构建了涵盖工业、交通、公共建筑和居民生活等领域的LEAP模型, 以2020年为基准年, 2040年为目标年, 采用情景分析法, 预测研究区域未来能源消费和CO2排放情况, 分析各项措施的碳减排潜力, 提出园区实现碳达峰目标的政策建议. LEAP模型结构如图 1所示. 工业部分按照研究区域的行业特征分为重点行业和一般行业, 重点行业细分为汽车制造业、医药制造业和设备制造业, 活动水平以工业产值表征, 能耗水平以单位产值能耗表征, 能源类型为电力、热力、天然气、汽油和柴油. 交通部分根据研究区域的交通统计分类, 分为公交车、出租车、轿车和货车这4类, 活动水平以保有量和行驶里程表征, 能耗水平以百公里能耗表征, 主要能源类型为电力、汽油和柴油. 公共建筑部分由于研究区域未进行分类统计, 故不细分, 活动水平以建筑面积表征, 能耗水平以单位建筑面积能耗表征, 主要能源类型为电力和热力. 居民生活部分未对城镇和非城镇人口进行细分, 主要考虑到研究区域位于南京城区, 按照统计分类均为城镇人口, 活动水平以常住人口表征, 能耗水平以人均能耗表征, 主要能源类型为电力、天然气和液化石油气.

图 1 LEAP模型结构 Fig. 1 Structure of LEAP model

研究区域的能源消费量可根据各部门活动水平和能耗水平计算得到, 结合CO2排放因子可进一步计算得到CO2排放总量. 本次考虑外购电力、热力消费带来的间接碳排放, 将其纳入研究区域的碳排放统计中. 计算如公式（1）和公式（2）所示.

(1)
(2)

式中, Energyi, j为i部门j类能源的消费量；Activityi为i部门的活动水平；EIi, j为i部门单位活动水平j类能源的消费量, Carboni为i部门的CO2排放量, EFi, j为i部门j类能源的CO2排放因子.

1.3 数据来源

模型涉及的数据主要包括活动水平和能源效率. 工业产值、机动车保有量、公共建筑面积和常住人口等活动水平数据主要来自研究区域统计部门的官方数据；单位产值能耗水平根据各行业综合能源消费量和工业产值计算得到；百公里能耗和机动车行驶里程主要通过查阅相关研究[38, 39]、调研营运公司和私家车主等方式获得；人均能耗水平根据《南京市统计年鉴2021》[40]中家庭能源消费量和使用人口计算得到；单位面积能耗通过文献[41, 42]和报告[43, 44]等方式获得；CO2排放因子参照《省级温室气体清单编制指南（试行）》[45]和国家发布的电网碳排放因子[46]获得.

1.4 情景设置

通过对研究区域未来发展的预判, 设置基准情景（BAU）、非工业减排情景（S1）、全行业一般减排情景（S2）、全行业强化减排情景（S3）以及深度减排情景（S4）共5类情景, 各情景描述及关键参数设置如表 1所示. 情景设置参数包括经济增速、人口增长率、机动车保有量增长率和能效提升率等, 主要参考研究区域经济、能源和碳排放的相关政策规划, 如《南京某经济技术开发区“十四五”产业发展规划》和《南京某经济技术开发区绿色发展行动方案》等.

表 1 情景描述及关键参数设置 Table 1 Scenario description and key parameter settings

1.4.1 基准情景

研究区域保持现有发展模式, 经济、人口和机动车保有量稳步增长, 期间不采取任何节能减排措施, 能源利用效率保持基准年水平.

1.4.2 非工业减排情景

在BAU情景的基础上, 仅在交通和公共建筑领域开展节能减排, 大力推行新能源汽车和绿色建筑, 提高新能源汽车占比, 降低公共建筑能耗水平.

1.4.3 全行业一般减排情景

在S1情景的基础上, 推进工业节能减排, 工业能源利用效率稳步提升. 同时针对汽车制造、医药制造和设备制造等重点行业开展低碳化改造, 进一步提升绿色低碳发展水平.

1.4.4 全行业强化减排情景

在S2情景的基础上, 经济增速略有放缓, 工业能源利用效率和重点行业绿色低碳发展水平持续提升. 同时加强新能源汽车和绿色建筑推广力度, 新能源汽车占比进一步提升, 公共建筑能耗持续降低.

1.4.5 深度减排情景

在S3情景的基础上, 全面加强工业、交通和公共建筑等各领域的节能减排力度, 工业能源利用效率和重点行业低碳发展水平进一步提升, 新能源汽车占比显著提高, 公共建筑能耗水平进一步降低.

2 结果与讨论 2.1 能源消费需求分析

不同情景下研究区域的能源消费需求预测结果如图 2所示. 随着节能减排力度的不断加强, 能源消费需求不断削减. BAU情景下, 研究区域未来能源消费需求逐年增长, 到2040年能源消费需求预计达50.73万t；S1情景下, 通过大力推广新能源汽车, 实施公共建筑节能, 能源消费需求相对BAU情景略有减少, 但仍呈现逐年增长态势；S2情景下, 随着工业能效的提升, 能源消费需求预计于2035年达到峰值26.28万t, 较BAU情景削减37.5%；S3情景下, 由于节能减排力度的加大, 能源消费需求进一步降低, 可提前至2030年达到峰值21.66万t, 较BAU情景削减36.8%；S4情景下, 随着各行业领域节能减排的深入推进, 能源消费需求量可提前至2028年达到峰值19.10万t, 较BAU情景削减36.6%.

图 2 不同情景的能源消费需求 Fig. 2 Energy consumption in different scenarios

不同情景下主要年份分部门能源消费情况如图 3所示. 总体来看, 工业是研究区域能源消费的主体, 到2040年, BAU、S1、S2、S3和S4情景下, 工业能源消费占比分别为67.6%、72.5%、52.8%、50.8%和41.1%. S1情景下, 由于未采取工业节能减排措施, 工业能源消费占比逐年上升. S2、S3和S4情景下, 随着工业能源利用效率提升、交通新能源汽车推广的深入推进, 工业能源消费占比均呈现先上升后下降的趋势, 分别于2035、2030和2028年达到峰值57.1%、56.0%和53.6%.

图 3 不同情景的分部门能源消费 Fig. 3 Sectoral energy consumption in different scenarios

不同情景主要年份的能源消费结构如图 4所示. 基准年研究区域能源消费以电力（40.7%）和汽油（26.7%）为主. 随着工业节能减排、新能源汽车推广和老旧燃油车替代等措施的实施, 研究区域能源消费结构不断改善. S2、S3和S4情景下, 到能源消费峰值年份研究区域能源消费结构以电力（51.2%~61.9%）和汽油（18.5%~28.5%）为主, 电力和汽油消费占比有所提高, 柴油消费占比显著降低. S1情景下, 到2040年研究区域能源消费结构转变为以电力（68.2%）和热力（12.9%）为主, 电力消费占比持续提高, 汽油和柴油消费占比显著降低.

图 4 不同情景的能源消费结构 Fig. 4 Structure of energy consumption in different scenarios

2.2 CO2排放分析

不同情景下CO2排放情况如图 5所示, CO2排放与能源消费需求呈现相似的变化规律. 在BAU和S1情景下, 研究区域CO2排放量逐年增长, 表明按照当前发展趋势或仅仅依靠非工业领域的节能减排措施无法实现碳达峰的目标. 主要原因在于非工业领域能源消费和CO2排放量占比较小, 碳减排潜力有限. S2、S3和S4情景下, CO2排放量分别于2035、2030和2028年达到峰值75.35、59.34和53.24万t, 较BAU情景的削减率分别为40.1%、39.3%和38.4%.

图 5 不同情景的CO2排放 Fig. 5 CO2 emissions in different scenarios

不同情景下主要年份的碳排放结构如图 6所示. BAU和S1情景下, 工业碳排放占比逐年增长. S2、S3和S4情景下, 工业碳排放占比呈现先上升后下降的趋势, 分别于2035、2030和2028年达到峰值64.2%、66.2%和62.9%, 与碳达峰年份相同, 表明研究区域想要实现碳达峰目标, 需加强工业节能减排力度, 减少工业碳排放量和排放占比.

图 6 不同情景的CO2排放结构 Fig. 6 Structure of CO2 emissions in different scenarios

2.3 碳减排贡献分析

基于以上分析, S3和S4情景下研究区域可在2030年前实现碳达峰目标, 本节以这两种减排情景为例, 分析不同措施的碳减排贡献情况. S3和S4情景下, 碳达峰年份不同措施的节能和碳减排贡献如图 7所示. 总体来看, 各项措施在不同程度上均能促进研究区域能源消费和碳排放的削减. 其中, 工业能效提升对节能和碳减排贡献最为显著, 其次为经济增速放缓. 交通新能源汽车推广和公共建筑节能的碳减排贡献并不明显, 这与其能源消费和碳排放在研究区域占比较小有关.

百分数分别表示各项措施的节能和碳减排贡献率 图 7 S3和S4情景下碳达峰年份的碳减排和节能贡献 Fig. 7 Contributions to carbon reduction and energy conservation in carbon peak years in S3 and S4 scenarios

具体来看, S3情景下工业能效提升对研究区域节能和碳减排的贡献率分别为67.6%和65.1%, 其中重点行业能效提升的节能和碳减排贡献更为显著. 由于研究区域工业电力化程度较高, 能源消费结构优化空间有限, 工业碳减排主要依靠能源效率提升带来的能源消费量的减少. 新能源汽车推广的节能和碳减排的贡献率分别为6.4%和9.0%, 通过新能源替代, 研究区域交通能源消费结构持续改善, 进一步推动了研究领域的交通碳减排. 与S3情景类似, S4情景下工业能效提升的节能和碳减排的贡献最为显著, 其次为经济增速放缓、交通新能源汽车推广和公共建筑节能.

2.4 碳达峰路径分析

S3和S4情景下研究区域碳排放强度变化情况如图 8所示. S3和S4情景下, 到达峰年份研究区域碳排放强度（单位工业产值CO2排放量）分别达0.088 t·万元-1和0.084 t·万元-1, 较基准年分别降低20.5%和24.2%. 对照研究区域“十四五”规划目标“到2030年碳排放强度较2020年下降20%以上”可知, S3和S4情景均能实现既定目标. 综合考虑碳达峰年份和碳排放强度考核目标, 建议S3情景作为研究区域的达峰情景.

图 8 S3和S4情景下主要年份碳排放强度 Fig. 8 Carbon intensity in major years in S3 and S4 scenarios

需要注意的是, S3和S4情景在工业、交通、建筑等领域持续开展碳减排的基础上, 经济增速放缓3个百分点才能在2030年和2028年实现碳达峰, 可见研究区域碳达峰任务较为艰巨. 在保证未来经济发展的前提下, 研究区域需要充分挖掘工业、交通和建筑等领域的减排潜力.

在工业方面, 研究区域的重点减排领域应以工业为主, 考虑到区域工业活动以外来电力为主, 对煤炭等传统化石能源的依赖程度较低, 因此工业领域碳减排主要以提升能源利用效率为主. 工业领域应优先从汽车制造、医药制造和设备制造等重点行业入手, 开展重点行业和其他行业分梯次节能降碳. 具体而言, 大力推进工业节能提效改造升级, 深入挖掘汽车制造、医药制造和设备制造等重点行业的节能减排潜力, 有序推进重点行业和一般行业工艺和设备升级, 实施绿色照明和能量系统优化等工程, 促进能效水平稳步提升. 到2025年, 工业能源利用效率提高28%左右, 到2030年提高24%左右. 重点推动汽车制造、医药制造和设备制造等重点行业绿色低碳发展, 单位工业产值能耗进一步降低20%.

在交通方面, 持续推进新能源汽车消费替代, 不断提升新能源汽车占比. 具体而言, 持续淘汰国三及以下排放标准柴油货车, 鼓励公交、邮政和环卫等公共领域用车采用新能源汽车, 推广中重型新能源货车应用. 到2025年新能源汽车占比达5%, 到2030年占比达10%. 同时做好绿色交通基础设施建设保障, 不断完善现有配套充电桩、电网等基础设施, 建立布局合理、运行高效的充电基础设施体系.

在公共建筑方面, 积极推广绿色建筑和既有建筑低碳改造, 不断降低公共建筑能耗水平. 具体而言, 严格执行建筑节能强制性标准, 2025年新建建筑全面按照超低能耗建筑设计建造, 逐步提升公共建筑节能标准至超低近零能耗建筑水平. 推广太阳能、光电等可再生能源建筑应用, 不断提高建筑电气化应用水平, 到2030年单位建筑面积碳排放降低40%.

3 结论

（1）从能源消费需求来看, 随着各项节能减排措施的深入推进, 研究区域未来能源消费需求将得到有效控制. S2、S3和S4情景下研究区域能源消费需求分别于2035、2030和2028年达到峰值26.28、21.66和19.10万t, 工业能源消费占比分别达57.1%、56.0%和53.6%, 能源消费结构以电力和汽油为主.

（2）从碳排放来看, S2、S3和S4情景下研究区域CO2排放量将分别于2035年、2030年和2028年达到峰值75.35、59.34和53.24万t, 工业碳排放占比分别为64.2%、66.2%和62.9%.

（3）工业能效提升是研究区域实现碳达峰最为有效的措施, 针对重点行业的能效提升措施具有显著的碳减排潜力. 其次为经济增速放缓, 交通新能源汽车推广和公共建筑节能的碳减排潜力并不明显.

（4）综合考虑碳达峰年份和碳排放强度考核目标, 建议S3情景作为研究区域的达峰情景, 达峰年碳排放强度为0.088 t·万元-1. 碳减排措施主要以提升能效水平为主, 优先从重点行业入手. 交通方面应持续推进新能源汽车消费替代, 不断提升新能源汽车占比. 公共建筑方面应积极推广绿色建筑和既有建筑低碳改造, 不断降低公共建筑能耗水平.

参考文献
[1] 中国政协网. 习近平在第七十五届联合国大会一般性辩论上的讲话(全文)[EB/OL]. http://www.cppcc.gov.cn/zxww/2020/09/23/ARTI1600819264410115.shtml, 2020-09-23.
[2] 国家统计局. 中国统计年鉴-2022[M]. 北京: 中国统计出版社, 2022.
[3] 严坤, 吕一铮, 郭扬, 等. 工业园区温室气体核算方法研究[J]. 中国环境管理, 2021, 13(6): 13-23.
Yan K, Lv Y Z, Guo Y, et al. Review on greenhouse gas accounting methods on China's industrial parks[J]. Chinese Journal of Environmental Management, 2021, 13(6): 13-23.
[4] 李珀松, 冯昱, 王天天. 中国低碳产业园区的实践与发展模式选择[J]. 生态经济, 2014, 30(2): 143-146, 169.
Li P S, Feng Y, Wang T T. Low carbon industrial park practice and development model selection in China[J]. Ecological Economy, 2014, 30(2): 143-146, 169.
[5] 郭扬, 吕一铮, 严坤, 等. 中国工业园区低碳发展路径研究[J]. 中国环境管理, 2021, 13(1): 49-58.
Guo Y, Lv Y Z, Yan K, et al. Low-carbon development pathways of industrial parks in China[J]. Chinese Journal of Environmental Management, 2021, 13(1): 49-58.
[6] 清华大学. 中国碳排放数据库V2.0[EB/OL]. http://meicmodel.org.cn/?page_id=2345, 2023-04-28.
[7] Li M, Liu H, Geng G N, et al. Anthropogenic emission inventories in China: a review[J]. National Science Review, 2017, 4(6): 834-866. DOI:10.1093/nsr/nwx150
[8] Zheng B, Tong D, Li M, et al. Trends in China's anthropogenic emissions since 2010 as the consequence of clean air actions[J]. Atmospheric Chemistry and Physics, 2018, 18(19): 14095-14111. DOI:10.5194/acp-18-14095-2018
[9] 陈吕军. 建好生态工业园区增辉中国式现代化[N]. 中国环境报, 2023-03-06(04).
[10] 燕东, 刘枫, 叶鹏飞, 等. 碳达峰情景预测的主要方法及模型[J]. 环境保护与循环经济, 2021, 41(7): 97-101.
[11] 王侃宏, 何好. 中国碳达峰模型研究综述[J]. 河北省科学院学报, 2022, 39(4): 57-64.
Wang K H, He H. Review of research on carbon peaking model in China[J]. Journal of the Hebei Academy of Sciences, 2022, 39(4): 57-64.
[12] 程宁熹. 基于LEAP模型的上海市工业部门能源消费与碳排放研究[D]. 上海: 东华大学, 2021.
Cheng N X. Research on energy consumption and carbon emissions of Shanghai's industrial sector based on LEAP model[D]. Shanghai: Donghua University, 2021.
[13] 李新, 路路, 穆献中, 等. 基于LEAP模型的京津冀地区钢铁行业中长期减排潜力分析[J]. 环境科学研究, 2019, 32(3): 365-371.
Li X, Lu L, Mu X Z, et al. Emission reduction potential of pollutants emissions from iron and steel industry over Beijing-Tianjin-Hebei region based on LEAP[J]. Research of Environmental Sciences, 2019, 32(3): 365-371.
[14] 熊亚林, 刘玮, 高鹏博, 等. "双碳"目标下氢能在我国合成氨行业的需求与减碳路径[J]. 储能科学与技术, 2022, 11(12): 4048-4058.
Xiong Y L, Liu W, Gao P B, et al. Research on the hydrogen energy demand and carbon-reduction path in China's synthetic ammonia industry to achieve the "carbon peak" and "carbon neutrality" goals[J]. Energy Storage Science and Technology, 2022, 11(12): 4048-4058.
[15] Wang B. Low-carbon transformation planning of China's power energy system under the goal of carbon neutrality[J]. Environmental Science and Pollution Research, 2023, 30(15): 44367-44377. DOI:10.1007/s11356-023-25279-z
[16] 杨楠, 李艳霞, 吕晨, 等. 唐山市钢铁行业碳排放核算及达峰预测[J]. 环境工程, 2020, 38(11): 44-52.
Yang N, Li Y X, Lv C, et al. Carbon emission accounting and peak forecasting of iron & steel industry in Tangshan[J]. Environmental Engineering, 2020, 38(11): 44-52.
[17] 黄莹, 郭洪旭, 廖翠萍, 等. 基于LEAP模型的城市交通低碳发展路径研究——以广州市为例[J]. 气候变化研究进展, 2019, 15(6): 670-683.
Huang Y, Guo H X, Liao C P, et al. Study on low-carbon development path of urban transportation sector based on LEAP model——take Guangzhou as an example[J]. Climate Change Research, 2019, 15(6): 670-683.
[18] 吴玉婷, 王晓荣, 何潇蓉. 基于LEAP模型的北京市交通能耗及环境污染排放预测[J]. 河北建筑工程学院学报, 2018, 36(4): 85-90, 100.
Wu Y T, Wang X R, He X R. Forecast of traffic energy consumption and environmental pollution emission in Beijing based on LEAP model[J]. Journal of Hebei Institute of Architecture and Civil Engineering, 2018, 36(4): 85-90, 100.
[19] 刘俊伶, 孙一赫, 王克, 等. 中国交通部门中长期低碳发展路径研究[J]. 气候变化研究进展, 2018, 14(5): 513-521.
Liu J L, Sun Y H, Wang K, et al. Study on mid-and long-term low carbon development pathway for China's transport sector[J]. Climate Change Research, 2018, 14(5): 513-521.
[20] 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.
[21] 许绩辉, 王克. 中国民航业中长期碳排放预测与技术减排潜力分析[J]. 中国环境科学, 2022, 42(7): 3412-3424.
Xu J H, Wang K. Medium-and long-term carbon emission forecast and technological emission reduction potential analysis of China's civil aviation industry[J]. China Environmental Science, 2022, 42(7): 3412-3424.
[22] 张时聪, 王珂, 杨芯岩, 等. 建筑部门碳达峰碳中和排放控制目标研究[J]. 建筑科学, 2021, 37(8): 189-198.
Zhang S C, Wang K, Yang X Y, et al. Research on emission goal of carbon peak and carbon neutral in building sector[J]. Building Science, 2021, 37(8): 189-198.
[23] 洪竞科, 李沅潮, 郭偲悦. 全产业链视角下建筑碳排放路径模拟: 基于RICE-LEAP模型[J]. 中国环境科学, 2022, 42(9): 4389-4398.
Hong J K, Li Y C, Guo S Y. Simulating building carbon emission path with a RICE-LEAP model from the perspective of the whole supply chain[J]. China Environmental Science, 2022, 42(9): 4389-4398.
[24] 刘惠, 王真, 曹丽斌, 等. 基于LEAP模型的鹤壁市农村生活碳排放研究[J]. 环境科学与技术, 2020, 43(11): 25-35.
Liu H, Wang Z, Cao L B, et al. Research of rural living carbon emission in Hebi based on LEAP model[J]. Environmental Science & Technology, 2020, 43(11): 25-35.
[25] Zhou Y, Hao F H, Meng W, et al. Scenario analysis of energy-based low-carbon development in China[J]. Journal of Environmental Sciences, 2014, 26(8): 1631-1640. DOI:10.1016/j.jes.2014.06.003
[26] Cai L Y, Guo J F. Scenario analysis of CO2 emission abatement effect based on LEAP[J]. Energy Procedia, 2018, 152: 965-970. DOI:10.1016/j.egypro.2018.09.101
[27] Wu W, Zhang T T, Xie X M, et al. Regional low carbon development pathways for the Yangtze River Delta region in China[J]. Energy Policy, 2021, 151. DOI:10.1016/j.enpol.2021.112172
[28] Liu Y Y, Chen S, Jiang K J, et al. The gaps and pathways to carbon neutrality for different type cities in China[J]. Energy, 2022, 244. DOI:10.1016/j.energy.2021.122596
[29] 黄昱杰, 刘贵贤, 薄宇, 等. 京津冀协同推进碳达峰碳中和路径研究[J]. 中国工程科学, 2023, 25(2): 160-172.
Huang Y J, Liu G X, Bo Y, et al. Beijing-Tianjin-Hebei coordinated development toward the carbon peaking and carbon neutrality goals[J]. Strategic Study of CAE, 2023, 25(2): 160-172.
[30] 杨顺顺. 基于LEAP模型的长江经济带分区域碳排放核算及情景分析[J]. 生态经济, 2017, 33(9): 26-30.
Yang S S. Regional carbon emissions estimation and scenario analysis in the Yangtze River economic belt based on LEAP model[J]. Ecological Economy, 2017, 33(9): 26-30.
[31] 常征, 潘克西. 基于LEAP模型的上海长期能源消耗及碳排放分析[J]. 当代财经, 2014(1): 98-106.
Chang Z, Pan K X. An analysis of Shanghai's long-term energy consumption and carbon emission based on LEAP model[J]. Contemporary Finance & Economics, 2014(1): 98-106.
[32] 王继龙, 刘觅颖, 杨冰. 北京市能源消费峰值预测及对策研究[J]. 低碳经济, 2018, 7(3): 136-145.
Wang J L, Liu M Y, Yang B. Forecast of Beijing's energy consumption peak and research on countermeasures[J]. Journal of Low Carbon Economy, 2018, 7(3): 136-145.
[33] 吴唯, 张庭婷, 谢晓敏, 等. 基于LEAP模型的区域低碳发展路径研究——以浙江省为例[J]. 生态经济, 2019, 35(12): 19-24.
Wu W, Zhang T T, Xie X M, et al. Research on regional low carbon development path based on LEAP model: taking Zhejiang Province as an example[J]. Ecological Economy, 2019, 35(12): 19-24.
[34] 吕茹. 基于LEAP模型的山西长期能源消耗及碳排放分析[J]. 山西化工, 2022, 42(3): 304-306.
Lv R. Analysis of Shanxi's long-term energy consumption and carbon emission based on LEAP model[J]. Shanxi Chemical Industry, 2022, 42(3): 304-306.
[35] 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.
[36] 杜涵蓓, 赵立君, 刘臣炜, 等. 基于LEAP模型和KAYA模型的主城区碳达峰预测及不确定性分析[J]. 生态与农村环境学报, 2022, 38(8): 983-991.
Du H B, Zhao L J, Liu C W, et al. Prediction of peaking carbon dioxide emissions in main city areas based on LEAP model and KAYA model and analyses on its uncertainty[J]. Journal of Ecology and Rural Environment, 2022, 38(8): 983-991.
[37] 杨培志, 韩春洋. 基于LEAP模型的长沙市某产业园区长期能源需求量与碳排放分析[A]. 见: 中国环境科学学会2019年科学技术年会—环境工程技术创新与应用分论坛论文集(一)[C]. 西安: 《环境工程》编辑部, 2019.
[38] 张翠霞. 基于LEAP模型的电动汽车发展对广州能源环境影响研究[D]. 保定: 华北电力大学, 2013.
Zhang C X. Research on the development of electric vehicle impact on energy and Emvironment in Guangzhou based on LAEP model[D]. Baoding: North China Electric Power University, 2013.
[39] 杨宛钰. 城市道路交通能源消耗测算方法研究—以南京为例[D]. 南京: 东南大学, 2018.
Yang W Y. Study on urban road traffic system enenry consumption calcuilation method in Nanjing[D]. Nanjing: Southest University, 2018.
[40] 南京市统计局. 南京统计年鉴-2022[M]. 北京: 中国统计出版社, 2022.
[41] 潘晓, 陈毅兴, 邓章, 等. 典型建筑能耗模型搭建—以长沙商场建筑为例[J]. 西安建筑科技大学学报(自然科学版), 2021, 53(6): 947-954.
Pan X, Chen Y X, Deng Z, et al. Development of prototype energy model: a case study of shopping mall buildings in Changsha[J]. Journal of Xi'an University of Architecture & Technology (Natural Science Edition), 2021, 53(6): 947-954.
[42] 郭清. 江苏省公共建筑能效测评基础项能耗计算研究[J]. 建筑节能(中英文), 2021, 49(10): 117-121.
Guo Q. Basic options'energy consumption calculation of public buildings energy efficiency evaluation in Jiangsu[J]. Journal of BEE, 2021, 49(10): 117-121.
[43] 王清勤. 绿色建筑助力碳达峰与碳中和[EB/OL]. http://www.chinajsb.cn/html/202105/24/20288.html, 2021-05-24.
[44] 清华大学建筑节能研究中心. 中国建筑节能年度发展研究报告2022(公共建筑专题)[M]. 北京: 中国建筑工业出版社, 2022: 40-52.
[45] 国家发展和改革委员会办公厅. 省级温室气体清单编制指南(试行)[EB/OL]. http://www.cbcsd.org.cn/sjk/nengyuan/standard/home/20140113/download/shengjiwenshiqiti.pdf, 2011-05-01.
[46] 生态环境部办公厅. 关于做好2022年企业温室气体排放报告管理相关重点工作的通知[EB/OL]. https://www.mee.gov.cn/xxgk2018/xxgk/xxgk06/202203/t20220315_971468.html, 2022-03-15.
基于LEAP模型的工业园区碳达峰路径：以南京某国家级开发区为例
李慧鹏, 李荔, 殷茵, 何文太, 宿杰, 赵秋月